完整定義
Stable Diffusion 是一種基於潛在擴散模型 (Latent Diffusion Model, LDM) 的文本到圖像生成模型。它能夠根據文字描述生成高質量的圖像。Stable Diffusion 的核心思想是通過迭代去噪過程,從隨機噪聲中逐漸產生逼真的圖像。常見應用包括藝術創作、設計和圖像編輯。
白話說明
你有沒有想過,文字或圖片送進模型後,能不能直接變成圖像、立體模型,甚至更好看的結果?
你可以把它想成把素材重新整理成可看、可用的內容。
穩定擴散 的重點是 Stable Diffusion 是一種潛在擴散模型,用於根據文字描述生成高質量圖像,透過迭代去噪過程,從隨機噪聲中產生逼真圖像。
它重要,是因為生成品質、控制能力和速度,會直接影響實際可用性。
記住這句
先看它是在生內容,還是在改內容。
比喻:穩定擴散就像一個神奇的藝術家,能把你的文字描述變成一幅幅精美的畫作 -- 你只要告訴它你想看到什麼(比如「一隻太空貓在月球上吃披薩」),它就能從一堆雜亂的「噪音」中,一步步清晰化,最終畫出一張完全符合你描述的圖片。
容易混淆
穩定擴散 vs 擴散模型
穩定擴散:偏向 把條件轉成可看結果
擴散模型:偏向 更大的生成家族
最關鍵的區別:穩定擴散看的是「把條件轉成可看結果」,擴散模型看的是「更大的生成家族」。
穩定擴散 vs 去噪擴散機率模型
穩定擴散:偏向 把條件轉成可看結果
去噪擴散機率模型:偏向 更標準的擴散模型寫法
最關鍵的區別:穩定擴散看的是「把條件轉成可看結果」,去噪擴散機率模型看的是「更標準的擴散模型寫法」。
實際案例
案例:行銷團隊先出一版商品視覺
先用模型快速試色和試風格,再決定要不要進設計流程
案例:老照片太模糊,想救回細節
先放大再補細節,比單純拉伸更有機會看清楚
演算法與應用
先建立可生成的表示,再一步步補細節
提示詞、參考圖和推論設定,常會一起影響成品
常見用途是生圖、修圖、放大和視覺理解
情境判斷
Q1(直覺題): 你要把一張模糊照片修清楚,這類方法有沒有用?
有,超解析度或相關生成式方法就是在做這件事。
Q2(判斷題): 你只有一張很小的產品照,想直接拿去印大海報,這時候一定要用生成式方法嗎?
看情況,如果只是放大到可讀,傳統插值可能夠;如果要補細節,才需要更強的方法。
常見問題
在需要快速出視覺稿、修圖、放大或跨風格轉換的場景,最容易看到價值。
因為提示詞、參考圖、步數和模型版本都會改變結果,控制變數越少,成品越穩。
修圖通常是手動改局部,這類方法會讓模型根據條件重新生成或補出結果。
WebUI 指在瀏覽器裡操作 Stable Diffusion 的圖形介面,最常被提到的是社群開源專案 AUTOMATIC1111 的 stable-diffusion-webui,Forge 則是以它為基礎、著重效能與記憶體最佳化的分支。它們本身不是模型,而是載入模型檔、輸入提示詞、調整參數的操作工具。
兩者是不同代的模型。依 SDXL 論文,SDXL 的 UNet 主幹約為先前版本的三倍大,並多用一個文字編碼器,論文的評估顯示畫質明顯優於先前版本。代價是需要更多顯示記憶體,1.5 版則硬體需求較低、社群模型與外掛較多。
出現在這些考古題
官方公告試題的逐題解析裡,這 1 題把穩定擴散列為延伸術語。
相關術語
來源
參考來源:en.wikipedia.org
其他格式:Markdown 版本