Stable Diffusion是一种基于扩散模型（Diffusion Models）的生成技术，近年来在图像生成和其他生成任务中取得了显著的进展。该技术以其高质量的生成效果、稳定的训练过程和广泛的应用前景，迅速在学术界和工业界引起了广泛关注。

以下是关于Stable Diffusion的详细介绍。

01 Diffusion Model的概念

在前向的过程中，不断地向数据中加入噪音，让图像由原本的状态转化为噪音点，最后变成纯噪声。加入的噪声要满足固定的分布，比如标准的高斯分布。前向的过程也称为扩散的过程。

图：向原始图片中线性添加噪声的变化过程

扩散模型的逆向过程是利用贝叶斯公式，从噪声图片中一步一步的去噪，倒推拟合加上噪音前的那张图片。扩散模型的逆向过程也可以用信息熵的变化来解释。从高熵的纯噪声状态开始，逐步减少数据的随机性和不确定性，通过去噪过程逐步恢复原始数据的结构和特征。

Diffusion Model总结为“前向加噪-反向降噪-训练”的结构。

02 Stable Diffusion介绍

Stable Diffusion建立在Latent Diffusion Models的基础上，借鉴了Google的Imagen，实现了将文字prompt作为条件参与到扩散模型的生成过程中。扩散模型不同于VAE和GAN，扩散模型是从噪音点中一步一步生成，因此需要的计算资源更多。Stable Diffusion可以规避模式坍塌的问题

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。