---
id: CP-267
slug: diffusiemodellen-afbeeldingen-uit-ruis
lang: nl
title: Diffusiemodellen
description: Hoe een AI vanuit willekeurige ruis een afbeelding maakt, en wat de medewerker kan controleren vóór het doorsturen of uploaden van een bestand.
canonical_url: https://startbrain.io/cyberpedia/nl/articles/diffusiemodellen-afbeeldingen-uit-ruis/
markdown_url: https://startbrain.io/cyberpedia/nl/articles/diffusiemodellen-afbeeldingen-uit-ruis.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, “Diffusiemodellen”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/diffusiemodellen-afbeeldingen-uit-ruis/ (CC BY 4.0)
wing: 4
theme: understand_ai
reflex: air-001
schema: G3
updated: "2026-11-10"
translations:
  nl: https://startbrain.io/cyberpedia/nl/articles/diffusiemodellen-afbeeldingen-uit-ruis/
  fr: https://startbrain.io/cyberpedia/fr/articles/modeles-diffusion-images-bruit/
  en: https://startbrain.io/cyberpedia/en/articles/diffusion-models-image-generation/
  de: https://startbrain.io/cyberpedia/de/articles/diffusionsmodelle-bilder-aus-rauschen/
  es: https://startbrain.io/cyberpedia/es/articles/modelos-difusion-imagenes-ruido/
  it: https://startbrain.io/cyberpedia/it/articles/modelli-diffusione-immagini-rumore/
  pl: https://startbrain.io/cyberpedia/pl/articles/modele-dyfuzyjne-obrazy-z-szumu/
  pt: https://startbrain.io/cyberpedia/pt/articles/modelos-difusao-imagens-ruido/
  ja: https://startbrain.io/cyberpedia/ja/articles/kakusan-moderu-gazo-zatsuon/
sources:
  - "n": 1
    title: Deep Unsupervised Learning using Nonequilibrium Thermodynamics
    publisher: arXiv
    url: https://arxiv.org/abs/1503.03585
    published: "2015-03-12"
    accessed: "2026-11-10"
  - "n": 2
    title: Denoising Diffusion Probabilistic Models
    publisher: arXiv
    url: https://arxiv.org/abs/2006.11239
    published: "2020-06-19"
    accessed: "2026-11-10"
  - "n": 3
    title: "Reducing Risks Posed by Synthetic Content: An Overview of Technical Approaches to Digital Content Transparency"
    publisher: NIST
    url: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-4.pdf
    published: "2024-11-18"
    accessed: "2026-11-10"
  - "n": 4
    title: Score-Based Generative Modeling through Stochastic Differential Equations
    publisher: arXiv
    url: https://arxiv.org/abs/2011.13456
    published: "2020-11-26"
    accessed: "2026-11-10"
  - "n": 5
    title: Denoising Diffusion Implicit Models
    publisher: arXiv
    url: https://arxiv.org/abs/2010.02502
    published: "2020-10-06"
    accessed: "2026-11-10"
  - "n": 6
    title: High-Resolution Image Synthesis with Latent Diffusion Models
    publisher: arXiv
    url: https://arxiv.org/abs/2112.10752
    published: "2021-12-20"
    accessed: "2026-11-10"
  - "n": 7
    title: Classifier-Free Diffusion Guidance
    publisher: arXiv
    url: https://arxiv.org/abs/2207.12598
    published: "2022-07-26"
    accessed: "2026-11-10"
  - "n": 8
    title: Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding
    publisher: arXiv
    url: https://arxiv.org/abs/2205.11487
    published: "2022-05-23"
    accessed: "2026-11-10"
  - "n": 9
    title: Extracting Training Data from Diffusion Models
    publisher: arXiv
    url: https://arxiv.org/abs/2301.13188
    published: "2023-01-30"
    accessed: "2026-11-10"
---

# Diffusiemodellen

Een diffusiemodel maakt een afbeelding door te beginnen met willekeurige ruis, die het stap voor stap verfijnt tot een afbeelding die aan de instructie voldoet [3]. Om dat te leren, volgt het de omgekeerde weg: men beschadigt afbeeldingen door er ruis aan toe te voegen, en het model leert ze te herstellen. Het oorspronkelijke idee, gepubliceerd in 2015, is om de structuur van gegevens systematisch en langzaam te vernietigen met een diffusieproces, en dan het omgekeerde proces te leren dat die structuur herstelt [1]. In 2020 presenteren onderzoekers met deze klasse modellen resultaten van beeldsynthese van hoge kwaliteit [2].

Voor een medewerker is de inzet praktisch. Deze modellen dienen om realistische synthetische afbeeldingen te maken, die men per bericht kan ontvangen of in een openbare tool kan maken. NIST, het Amerikaanse instituut voor normen, merkt op dat generatieve AI realistische afbeeldingen, tekst, audio en video kan voortbrengen, wat nieuwe risico's meebrengt voor het vertrouwen in digitale informatie [3].

## In 30 seconden

- Waar het gebeurt: in een afbeelding of video die per bericht wordt ontvangen, op een sociaal netwerk of in een document, en in de openbare tools voor het genereren van afbeeldingen waarin men bestanden kan uploaden.
- Wat er op het spel staat: NIST noemt onder de risico's de aantasting van de integriteit van informatie, fraude (identiteitsdiefstal inbegrepen) en het misleiden van mensen met synthetische stemmen, afbeeldingen of video's [3].
- De reflex: vóór het doorsturen van een afbeelding of video de herkomst controleren; nooit vertrouwelijke afbeeldingen of gezichten van collega's in een openbare tool uploaden.
- Als het al gebeurd is: het beveiligingsteam van het bedrijf onverwijld waarschuwen, met vermelding van de gebruikte tool en van wat is geüpload.

## Directe vragen

### Wat is een diffusiemodel?

Het is een generatief model dat gegevens produceert, hier afbeeldingen, door een geleidelijke verstoring om te keren. Het principe is geïnspireerd door de statistische fysica buiten evenwicht: men vernietigt de structuur van de gegevens door herhaalde diffusie, en leert die daarna te herstellen [1]. DALL-E 2, Imagen en Stable Diffusion zijn diffusiemodellen voor afbeeldingen [9].

### Hoe leert een model de ruis op te schonen?

Het leert door het omgekeerde te doen van wat het daarna zal doen. Men voegt in kleine hoeveelheden ruis toe aan trainingsafbeeldingen, tot er alleen nog ruis overblijft. Het model leert het omgekeerde proces, dat de structuur herstelt [1]. De auteurs van een artikel uit 2020 vatten het idee zo samen: "Creating noise from data is easy; creating data from noise is generative modeling." [4] Eenmaal getraind begint het model met willekeurige ruis en verfijnt die beetje bij beetje [3].

Dit opschonen vraagt veel stappen. Een variant genaamd DDIM produceert monsters van hoge kwaliteit 10 tot 50 keer sneller, in werkelijke rekentijd, dan de methode van 2020, met dezelfde trainingsprocedure [5].

### Hoe stuurt een tekst de afbeelding?

De tekst dient als instructie tijdens het opschonen. Latente diffusiemodellen voegen aan het model zogeheten lagen voor kruisaandacht toe, waardoor het kan worden gestuurd door invoer zoals tekst; ze werken in de latente ruimte van vooraf getrainde autoencoders, wat de rekenbehoefte vermindert ten opzichte van modellen die rechtstreeks op pixels werken [6]. De methode van sturing zonder classifier traint een voorwaardelijk en een niet-voorwaardelijk model samen, en combineert dan hun schattingen om een afweging te maken tussen kwaliteit en diversiteit van de monsters [7]. Het model Imagen steunt op grote taalmodellen voor algemeen gebruik om de tekst te coderen, en de auteurs constateren dat het vergroten daarvan de trouw van de afbeelding en haar overeenstemming met de tekst meer verbetert dan het vergroten van het beeldmodel [8].

### Kan men een gegenereerde afbeelding met het blote oog herkennen?

Niet op betrouwbare wijze. De waarneembare aanwijzingen (weerspiegelingen of schaduwen die niet bij de verlichting passen, mengartefacten met achtergronden) dienen vooral voor detectoren [3]. NIST meldt ook een studie uit 2024, over audio, beeld en audiovisuele modaliteiten, met prestaties dicht bij het niveau van toeval [3]. De auteurs van Imagen spreken van een "unprecedented degree of photorealism" [8]. NIST schrijft bovendien dat de doeltreffendheid van veel benaderingen van inhoudstransparantie nog niet volledig is onderzocht [3]. Een reflex die alleen op het oog vertrouwt, is dus kwetsbaar; het controleren van de bron is dat minder.

### Kan een afbeelding een merkteken van herkomst bevatten?

Soms. NIST beschrijft twee manieren om de herkomst van een inhoud vast te leggen: het digitale watermerk, dat de informatie in de inhoud zelf opneemt, en het vastleggen van metadata, al dan niet ondertekend [3]. Een discreet watermerk is leesbaar voor een machine en moeilijk te zien voor een mens; er is een detector nodig, die een kans groter dan nul heeft op valse positieven en valse negatieven [3]. Het ontbreken van een merkteken bewijst dus niets.

### Kan een model een afbeelding uit zijn training weer tevoorschijn brengen?

Ja. Onderzoekers hebben aangetoond dat diffusiemodellen afbeeldingen uit hun trainingsdata onthouden en ze bij het genereren weergeven [9].

## Hoe het werkt

De keten bestaat uit twee fasen. Bij de training leert het model afbeeldingen te herstellen die men heeft verstoord [1]. Bij het gebruik begint het met willekeurige ruis en verfijnt die stap voor stap [3]; de aangeleverde tekst stuurt het resultaat [6][7].

Een algemenere wiskundige formulering beschrijft de verstoring als een vergelijking die een complexe gegevensverdeling langzaam omzet in een bekende verdeling door er ruis in te brengen, en een omgekeerde vergelijking die die ruis verwijdert [4]. Dit kader omvat eerdere benaderingen van generatie via scores en van probabilistische diffusie [4]. De lezer die geen specialist is, heeft de vergelijkingen niet nodig: het volstaat te onthouden dat de afbeelding ontstaat uit ruis die stap voor stap wordt verwijderd.

NIST beschrijft de weg van synthetische inhoud in drie stappen: de creatie, de publicatie en daarna de consumptie, dat wil zeggen het moment waarop mensen de inhoud ontvangen, interpreteren en erop handelen [3]. De medewerker komt aan beide uiteinden in beeld: hij kan creëren door een tool te gebruiken en consumeren door een afbeelding te ontvangen.

## Wat u doet

- Zoek, voordat u een afbeelding of video doorstuurt die verrast, uit waar die vandaan komt: wie die als eerste heeft gepubliceerd, in welke context, en of de afzender dat via een ander kanaal kan bevestigen.
- Als de inhoud een merkteken van herkomst of metadata draagt, raadpleeg die dan zonder ze voor een volledig bewijs te houden: NIST schrijft dat geen van deze technieken op zichzelf een volledige oplossing biedt [3].
- Controleer bij een dringend verzoek dat wordt ondersteund door een stem of video (overschrijving, toegang) via een ander middel dan dat van het verzoek. NIST noemt stemkloning onder de middelen om iemand ertoe te brengen een frauduleuze transactie te vergemakkelijken [3].
- Upload nooit vertrouwelijke afbeeldingen (plattegronden, gefotografeerde documenten, schermen) in een openbare tool voor het genereren van afbeeldingen.
- Upload nooit gezichten van collega's. Onderzoekers hebben uit diffusiemodellen foto's gehaald van personen die in hun trainingsdata voorkwamen [9].
- Stuur bij twijfel over een ontvangen inhoud die door naar het beveiligingsteam in plaats van haar te laten circuleren.

## De valkuilen

- Hyperrealisme. De auteurs van Imagen kondigen een ongekende graad van fotorealisme aan, en menselijke beoordelaars achten de monsters gelijkwaardig aan de COCO-data wat betreft de overeenstemming tussen afbeelding en tekst [8]. Een overtuigende afbeelding is geen authentieke afbeelding.
- Vals vertrouwen. NIST waarschuwt dat transparantie een vals gevoel van vertrouwen kan wekken, bijvoorbeeld wanneer een inhoud legitiem lijkt volgens technische maatstaven maar uit haar context is gehaald [3].
- De detectietools. Ze zijn nog niet overal beschikbaar: NIST schrijft dat de meeste van deze benaderingen jaren verwijderd kunnen zijn van een brede uitrol op mobiele apparaten [3].
- Gemanipuleerde inhoud. NIST schrijft dat synthetische afbeeldingen, stemmen of video's kunnen dienen om biometrische authenticatiesystemen of personen te misleiden [3].
- Het onthouden. De onderzoekers concluderen dat diffusiemodellen de privacy veel minder beschermen dan eerdere generatieve modellen zoals GAN's [9]. Wat de trainingsdatabase bevat, kan dus weer naar boven komen.

## Echte gevallen

### Januari 2023: trainingsafbeeldingen gehaald uit toonaangevende modellen

Op 30 januari 2023 publiceren negen onderzoekers een studie over het onttrekken van trainingsdata aan diffusiemodellen. Met een methode die afbeeldingen genereert en vervolgens die afbeeldingen filtert die met trainingsdata overeenkomen, halen ze er meer dan duizend uit toonaangevende modellen, zowel foto's van personen als logo's van gedeponeerde merken [9]. De auteurs voegen eraan toe dat het verminderen van deze kwetsbaarheden kan vragen om nieuwe vorderingen in training die de privacy beschermt [9].

## Bronnen

1. arXiv, “Deep Unsupervised Learning using Nonequilibrium Thermodynamics”, 12 maart 2015. https://arxiv.org/abs/1503.03585 (geraadpleegd op 10 november 2026)
2. arXiv, “Denoising Diffusion Probabilistic Models”, 19 juni 2020. https://arxiv.org/abs/2006.11239 (geraadpleegd op 10 november 2026)
3. NIST, “Reducing Risks Posed by Synthetic Content: An Overview of Technical Approaches to Digital Content Transparency”, 18 november 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-4.pdf (geraadpleegd op 10 november 2026)
4. arXiv, “Score-Based Generative Modeling through Stochastic Differential Equations”, 26 november 2020. https://arxiv.org/abs/2011.13456 (geraadpleegd op 10 november 2026)
5. arXiv, “Denoising Diffusion Implicit Models”, 6 oktober 2020. https://arxiv.org/abs/2010.02502 (geraadpleegd op 10 november 2026)
6. arXiv, “High-Resolution Image Synthesis with Latent Diffusion Models”, 20 december 2021. https://arxiv.org/abs/2112.10752 (geraadpleegd op 10 november 2026)
7. arXiv, “Classifier-Free Diffusion Guidance”, 26 juli 2022. https://arxiv.org/abs/2207.12598 (geraadpleegd op 10 november 2026)
8. arXiv, “Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding”, 23 mei 2022. https://arxiv.org/abs/2205.11487 (geraadpleegd op 10 november 2026)
9. arXiv, “Extracting Training Data from Diffusion Models”, 30 januari 2023. https://arxiv.org/abs/2301.13188 (geraadpleegd op 10 november 2026)

---

Oorspronkelijke bron: Cyberpedia, de openbare encyclopedie over cyberveiligheid en AI van Brain. Canonieke versie: https://startbrain.io/cyberpedia/nl/articles/diffusiemodellen-afbeeldingen-uit-ruis/
U mag deze tekst vrij hergebruiken onder de licentie CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), mits u “Brain, Cyberpedia” vermeldt met een link naar bovenstaand adres.
