
Google Research heeft Diffusion Controller toegelicht, een methode om AI-beeldgeneratoren nauwkeuriger te laten reageren op opdrachten. Een extra neuraal netwerk stuurt de beeldopbouw bij, terwijl het basismodel ongewijzigd kan blijven. De onderzoekers richten zich op betere aansluiting bij gebruikerswensen zonder de beeldkwaliteit te verliezen.
De publicatie is een nieuwe uitleg van eerder onderzoek. De bijbehorende wetenschappelijke paper verscheen al op 7 maart 2026. Google kondigt met het blog geen direct beschikbare functie voor Gemini of Nano Banana aan.
Hoe stuurt Diffusion Controller een afbeelding bij?
Diffusiemodellen bouwen een afbeelding stapsgewijs op uit ruis. Diffusion Controller kijkt tijdens dat proces mee en berekent kleine correcties. Een rem op al te grote afwijkingen moet voorkomen dat het model een gevraagd detail toevoegt ten koste van de rest van het beeld.
Google illustreert het probleem met een hagedis die een zonnebril moet dragen. Een generator kan de bril vergeten, of het dier vervormen wanneer hij die te nadrukkelijk probeert toe te voegen. De controller probeert beide eisen tegelijk te bewaken: het juiste detail en een geloofwaardige afbeelding.
Het aanpassen van modellen met kleine toevoegingen heeft een langere geschiedenis. Bij LoRA, voluit Low-Rank Adaptation, blijven de oorspronkelijke modelgewichten eveneens vaststaan. Ontwikkelaars voegen trainbare onderdelen toe aan bestaande lagen. Zo hoeven zij veel minder parameters, de instelbare waarden van het netwerk, te trainen dan bij het opnieuw afstellen van een volledig model. De oorspronkelijke LoRA-paper onderzocht dit voor taalmodellen.
Een andere bestaande route is het versterken van de invloed van een opdracht tijdens het genereren. Het onderzoek naar classifier-free guidance van Jonathan Ho en Tim Salimans beschrijft hoe voorspellingen met en zonder de opgegeven voorwaarde worden gecombineerd. De gekozen menging beïnvloedt de verhouding tussen beeldkwaliteit en variatie. Daarmee is bijsturen meer dan simpelweg een langere prompt invoeren: ook de manier waarop een model zijn voorspellingen combineert, bepaalt het resultaat.
Wat bewijzen de gepresenteerde tests?
De experimenten gebruikten Stable Diffusion 1.4. In de paper scoort de controller bij training met gewogen beloningen een winstpercentage van 68,15 procent tegenover het oorspronkelijke model, tegen 61,09 procent voor LoRA. Bij een andere trainingsmethode haalt de gezamenlijk getrainde variant 93,53 procent; LoRA bereikt daar 90,48 procent.
De veelgenoemde score boven 90 procent geldt dus voor een variant waarbij ook het basismodel kan worden aangepast. Bovendien gaat het om voorkeursscores tegenover de oorspronkelijke generator, niet om het percentage opdrachten dat foutloos wordt uitgevoerd. De resultaten vormen geen rechtstreekse vergelijking met de nieuwste commerciële beeldmodellen.
De gebruikte Human Preference Score v2 is zelf een AI-model dat menselijke voorkeuren probeert te voorspellen. Het is getraind met een dataset van ongeveer 798.000 voorkeursoordelen over 430.000 afbeeldingen. De benchmark omvat animatie, conceptkunst, schilderijen en fotografie. Volgens de makers zijn vergelijkingen alleen betekenisvol bij afbeeldingen die met dezelfde prompt zijn gemaakt.
Die meetmethode maakt grote vergelijkingen uitvoerbaar, maar geeft geen universeel oordeel over creativiteit. Een hoge voorspelde voorkeursscore vertelt bijvoorbeeld niet of een beeld past binnen de huisstijl van een opdrachtgever. Dat onderscheid sluit aan bij de eerder beschreven discussie over beeldgeneratoren die technisch verbeteren maar op elkaar blijven lijken.
Lees ook
Wat kunnen ontwikkelaars hiermee, en wat nog niet?
De methode vraagt nog steeds technische toegang tot het generatieproces. De paper spreekt van ‘gray-box’: het basismodel kan afgesloten blijven, maar moet tussenresultaten beschikbaar stellen, zoals voorspellingen tijdens het verwijderen van ruis. Alleen toegang tot een dienst die een prompt ontvangt en een eindafbeelding terugstuurt, volstaat daarvoor niet.
Dat maakt de aanpak vooral relevant voor partijen die een beeldmodel aanbieden of hun eigen infrastructuur beheren. Zij kunnen onderzoeken of een afzonderlijke stuurlaag gemakkelijker is te onderhouden dan meerdere aangepaste modellen. Of dat in de praktijk goedkoper of sneller uitpakt, moet per toepassing worden gemeten. De gepresenteerde scores leveren daarvoor nog geen algemene besparingspercentages.
Voor gewone gebruikers verandert er voorlopig geen instelling in een beeldapp. AI Wereld beschreef eerder de concrete beschikbaarheid van Nano Banana 2 in Googles producten. Bij Diffusion Controller gaat het om een onderzoeksmethode waarvan toepassing in die producten niet is aangekondigd.
Google noemt personalisatie, bescherming tegen schadelijke beelden en videomodellen als mogelijke vervolgrichtingen. De belangrijkste praktijktest wordt of zulke sturing ook betrouwbaar werkt bij nieuwe modellen en veeleisende opdrachten. Voor een ontwerper telt uiteindelijk hoeveel bruikbare beelden de techniek oplevert, inclusief de tijd die nodig blijft voor selectie en correctie.

Robin HeesterOprichter
Robin Heester is mede-oprichter van AI Wereld en heeft door de jaren heen meerdere websites, nieuwsbrieven en magazines opgericht. Hij schrijft over technologie, innovatie en de maatschappelijke impact van nieuwe digitale ontwikkelingen.
Populair nieuws

Tesla Cybercab nu ook voor particulieren te bestellen, maar met verplichte softwareabonnementen

Claude brengt 663 wiskundige ideeën uit Gödels notitieboeken in kaart

OpenAI introduceert ChatGPT Wallet voor aankopen door autonome AI-agenten

Stelling: Nederland moet zoveel mogelijk datacenters bouwen

Goedemorgen AI: meer datacenters, maar waar blijft de stroom?

Ierland wil EU-landen een jaar geven om datacenterzones aan te wijzen
Laatste reacties
- Hi! In de eerste zin van het artikel geven we aan dat het gaat om wat Ouders & Onderwijs vindt. Ik denk ook niet dat die organisatie voor alle ouders spreekt.
RobinHeester10-11-2026 - Ik verbaas mij er over, dat het hier gebracht wordt alsof een onbekende organisatie als "ouders & onderwijs". Namens alle ouders spreekt. Ik als ouder van een dichter op de basisschool en persoonlijk zeer ervaren met AI, ben er op tegen dat AI op de basisschool aanwezig is. Ik deel de mening van deze organisatie dan ook helemaal niet en ondersteun het verbod volledig.wwigman10-11-2026
- Haha! Je bent gelukkig niet de enige hoor. Wel een van de weinige die reageert. :)
RobinHeester30-09-2026 - Toch wel leuk wat je in elkaar hebt gezet🙃 volgens mij ben ik de enige lezer!Cas.v28-09-2026
- Kan inderdaad allebei waar zijn
RobinHeester09-09-2026 - De Chinese AGI is een bedreiging voor de westerse democratie? En een US AGI niet? Er is nauwelijks meer sprake van democratie in de US. Ik vraag me af of het iets uitmaakt waar de eerste AGI het ‘levenslicht’ ziet. Op het moment dat een AGI werkt trekt het zich waarschijnlijk niets aan van locatie en onttrekt het zich aan iedere controle. Hoe een AGI gaat acteren is een filosofische (of Darwinistische?) vraag. Zo lang als een AGI mensen nodig heeft zal ze deze gebruiken, daarna…markvanbijnen09-09-2026
- Wie zijn die experts die dat beweren??Cas.v09-09-2026
- Is volgens X zelf aan de hand https://x.com/GlobalAffairs/status/2093130747796148634
RobinHeester29-08-2026 - Wapeniseert?? Dit is een erg onbetrouwbaar bericht. Niet alleen slecht vertaald, maar ook niet controleerbaar.Cas.v28-08-2026
- Niet mijn observatie dat de toeleveringsaanvoer stabiliseert.Cas.v26-08-2026

