扩散模型简介：图像生成背后的原理（去噪的魔法）

Midjourney、Stable Diffusion、DALL·E 3 背后，是扩散模型（Diffusion Model）。它取代了早期的 GAN，成为图像生成的事实标准。

理解它的钥匙是一句反直觉的话：

图像生成 = 把纯噪声一点点“擦干净”成一张图。

核心思想：加噪与去噪

扩散模型分两个过程：

正向过程（加噪，训练时）： 把一张真实图片一步步加入随机噪声，直到变成完全随机的噪点。这个过程是确定、可算的——每一步往图片上叠一点噪声。

反向过程（去噪，生成时）： 训练一个神经网络，学会倒着走——从纯噪点一步步“猜”出上一步更清晰的样子，逐步还原出图像。

纯噪声 →(去噪)→ 模糊轮廓 →(去噪)→ 越来越清晰 → 最终图像

三个关键角色

1. 噪声调度器（Scheduler）：控制每一步加多少噪声、去噪时的步长
2. 去噪网络（U-Net / DiT）：核心神经网络，学会估计“这一片噪声该怎么去掉”
3. 文本条件（Cross-Attention）：把“一只戴帽子的猫”这样的文字提示，通过注意力机制引导去噪方向——这就是文生图的关键

为什么用“文本”能控制图像

生成时，文本被编码成向量，在每一步去噪时通过 交叉注意力 注入去噪网络，告诉它“往有猫、有帽子、有这些特征的方向走”。文字成了“方向盘”。

Latent Diffusion：Stable Diffusion 的优化

直接在像素上做扩散太慢、太吃显存。Stable Diffusion 的巧妙做法：

1. 先用 VAE 编码器把图像压缩到低维“潜空间”（Latent Space）
2. 在潜空间里做扩散（快得多、省显存）
3. 用 VAE 解码器还原成高清像素

这就是为什么 SD 能在普通显卡上跑文生图。

关键参数（用得上的）

• Steps（步数）：去噪步数，越多越精细但越慢，一般 20-40
• CFG（提示词引导强度）：越高越贴合文字但越“死板”，一般 5-8
• Sampler（采样器）：不同去噪算法，影响速度与质量
• Seed（种子）：固定随机种子可复现同一张图

一句话总结

扩散模型 = 学会“把噪声还原成图像”（去噪）的模型。配合文本引导（交叉注意力）和潜空间压缩（VAE），就成了我们天天用的文生图工具。核心是理解：生成不是“从无到有”，而是“从乱到整”。