完整定義
圖像生成是一種生成式人工智慧技術,用於從輸入資料(如文字描述、其他圖像或隨機雜訊)創造出全新的圖像。它能夠生成逼真的照片、藝術作品、設計概念等,常見應用包括內容創作、產品設計、虛擬世界構建等。
白話說明
你有沒有用一句描述,就讓 AI 畫出一張新圖片?
你可以把圖像生成想成把文字變成畫面。
它不是拿現成圖片分類,而是根據提示創造不存在的新圖,所以很適合做設計草稿和內容創作。
記住這句
看描述,畫出不存在的圖。
比喻:圖像生成就像一位擁有無限想像力的「數位藝術家」-- 你只要告訴它你想要什麼(例如「一隻穿太空衣的貓在月球上跳舞」),它就能憑空創造出符合你描述的全新圖片,而且看起來非常真實或充滿藝術感。
容易混淆
圖像生成 vs 圖像分類
分類是判斷圖是什麼
生成是創造新圖
最關鍵的區別是分析現有圖片,還是生成不存在的圖片
圖像生成 vs 文字生成圖像
文字生成圖像是圖像生成的一種
圖像生成還可以從雜訊、草圖或其他圖像出發
最關鍵的區別是應用方式,還是整體概念
實際案例
行銷草圖
設計師可以先用圖像生成做視覺草稿,再由人工修飾成正式素材。
遊戲素材
遊戲團隊常用圖像生成先產出場景或角色概念圖,省下大量初版繪圖時間。
演算法與應用
現在常見的路線是擴散模型,效果穩定、細節也比較好。
不過圖像生成不代表真的理解世界,它更多是在學資料分布和風格。
情境判斷
Q1: 你想把一句產品描述變成海報草圖,會用什麼?
圖像生成。
Q2: 你要從很多照片裡找出哪一張是貓,這還是圖像生成嗎?
不是,這是圖像分類。
常見問題
通常需要,尤其是要學出穩定風格時。
可以,提示和模型選擇都會影響結果。
深偽、版權和偏見都是常見問題。
範例考題
某設計公司導入生成式 AI(Generative AI)工具,用於自動產生產品概念圖與風格草圖。為了讓系統能依據既有圖像資料產生具有變化且風格一致的新圖像,模型必須具備學習資料特性並生成新樣本的能力。下列哪一種模型技術或方法最符合上述需求?
- A隱變量自編碼器(Variational Autoencoder, VAE)
- B隨機森林(Random Forest)
- CK-近鄰演算法(K-Nearest Neighbors, KNN)
- D貝氏網路(Bayesian Network)
正解是 A:隱變量自編碼器(Variational Autoencoder, VAE)
解析:VAE 是一種生成式模型,能學習資料的潛在分佈,並從中生成具有變化但風格一致的新樣本。它特別適合圖像生成任務,能在學習到的潛在空間中採樣產生新圖像。
某時尚品牌導入生成式 AI(Generative AI)技術,建立服裝設計輔助系統。系統需根據設計師輸入的風格條件,自動產生具有高度視覺品質、細節穩定且風格變化自然的服裝草圖。團隊特別重視生成結果的穩定性與多樣性控制能力。在此需求下,下列哪一種模型技術或方法較為適合?
- A支援向量機(Support Vector Machine, SVM)
- B生成對抗網路(Generative Adversarial Network, GAN)
- C決策樹(Decision Tree)
- D擴散模型(Diffusion Model)
正解是 D:擴散模型(Diffusion Model)
解析:擴散模型(Diffusion Model)在圖像生成方面具有優秀的穩定性與多樣性控制能力,生成品質高且細節穩定。相較於 GAN 容易出現模式崩塌問題,擴散模型的訓練更穩定,生成結果品質更可控。
出現在這些考古題
官方公告試題的逐題解析裡,這 1 題把圖像生成列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本