La intel·ligència artificial generativa (IA), incloent-hi models com Stable Diffusion, Midjourney i DALL-E, sovint té dificultats per produir imatges consistents, especialment quan es tracta de detalls com la simetria facial i la representació adequada dels dits. Aquests models generalment generen imatges quadrades, el que porta a problemes quan se'ls demana crear imatges en diferents proporcions, resultant en anomalies com dits extra o formes distorsionades. Per abordar aquests problemes, científics informàtics de la Universitat Rice han desenvolupat ElasticDiffusion, un mètode nou que utilitza models de difusió preentrenats. Moayed Haji Ali, un estudiant de doctorat a Rice, va presentar aquest mètode a la Conferència IEEE 2024 sobre Visió Computacional i Reconeixement de Patrons a Seattle. Haji Ali va explicar que els models de difusió tradicionals només poden generar imatges amb una resolució específica, cosa que és una conseqüència del sobreajustament, on un model d'IA funciona bé amb dades familiars però té dificultats amb variacions. ElasticDiffusion millora l’enfocament separant la informació local i global durant la generació d’imatges, en lloc de combinar-les.

Aquesta separació ajuda a evitar imperfeccions visuals que sorgeixen de dades repetitives quan s’adapten a imatges no quadrades. Haji Ali va assenyalar que el procés implica obtenir inicialment una puntuació global que encapsula l’estructura general de la imatge, seguida de completar els detalls a nivell de píxel en seccions. Aquest mètode permet generar imatges més clares a través de diverses proporcions sense necessitat de formació addicional del model. Tot i que ElasticDiffusion ofereix una millor coherència i adaptabilitat en la generació d’imatges, comporta un compromís: actualment requereix entre 6 i 9 vegades més temps per crear imatges en comparació amb els models de difusió convencionals. Haji Ali té l'objectiu d'optimitzar el mètode per aconseguir temps d'inferència equivalents mantenint la capacitat de generar imatges d’alta qualitat independentment de la proporció.