视频字幕
Stable Diffusion 是当前最流行的AI图像生成模型之一。它属于潜在扩散模型，核心思想是从随机噪声开始，通过神经网络逐步去除噪声，最终生成高质量的图像。这个过程就像是从一团混乱中逐渐显现出清晰的画面。
扩散模型的数学基础包括前向扩散过程和逆向去噪过程。前向过程通过高斯噪声逐步破坏原始图像，每一步都遵循特定的概率分布。逆向过程则是训练神经网络学习如何逆转这个过程，从噪声中恢复原始图像。这个过程由噪声调度参数控制，决定了每一步添加或去除噪声的程度。
Stable Diffusion的关键创新是在潜在空间而非像素空间进行扩散。首先，VAE编码器将高分辨率图像压缩到低维潜在空间，大大减少了计算量。扩散过程在这个压缩的潜在空间中进行，最后通过VAE解码器将潜在表示重建为高质量图像。这种设计使得模型既高效又能生成高分辨率的图像。
U-Net是Stable Diffusion的核心神经网络架构。它采用编码器-解码器结构，编码器通过下采样逐步提取特征，解码器通过上采样重建输出。关键的跳跃连接保留了不同尺度的细节信息。网络还融入时间嵌入来感知当前的去噪步骤，最终预测并去除噪声，实现高质量的图像生成。
Stable Diffusion的训练和推理是两个不同的过程。训练阶段，模型学习预测添加到图像中的噪声，通过最小化预测噪声与真实噪声的差异来优化参数。推理阶段，从纯随机噪声开始，模型逐步预测并去除噪声，经过多个时间步骤最终生成清晰的图像。这个过程展示了扩散模型强大的生成能力。