AIGC学习（SD、LoRA和ControlNet）

目录

Stable Diffusion（稳定扩散模型）

为什么叫扩散模型？

网络结构

VAE（Variational Auto-Encoder）

UNet模型

CLIP Text Encoder

LoRA(低秩适应矩阵)

什么是LoRA？

如何使用LoRA？

ControlNet

总结

参考链接

---

在AIGC领域，目前用的最多的就是Stable Diffusion、ControlNet和LoRA三者结合。SD通过加噪和去噪过程生成由ControlNet 提供的condition控制的图片，而LoRA则是以微调的方式，在少量数据训练下得到具有特定表现形式的SD模型。

论文的链接如下：

1.Stable Diffusion：https://arxiv.org/pdf/2112.10752

2.LoRA：https://arxiv.org/pdf/2106.09685

3.ControlNet：https://arxiv.org/pdf/2302.05543

Stable Diffusion（稳定扩散模型）

为什么叫扩散模型？

因为它包含的就是两个过程——前向扩散和反向扩散。

前向扩散就是在一张输入图片上不断加上噪声的过程。如下图，在一张猫的图片上不断加上噪声，在一定步数后它就变成了我们看不出是个什么东西的图片了。

反向扩散则是对噪声图像不断预测噪声并去噪的过程，最后输出我们想要得到的图片。下面是在一张随机噪声图片上逐渐去噪最后生成一个房子的过程。

有了前向扩散和反向扩散，那模型训练的目标也很容易理解，就是把预测的噪声和加入的噪声做回归，让模型能准确地预测出每次加入的真实噪声。

网络结构

SD主要由VAE（变分自编码器）、UNet和CLIP Text Encoder三者组成。如下图可见，整个网络分为三部分——Pixel Space、Latent Space和Conditioning。

Pixel Space中的VAE负责将图像压缩成潜在表示（Latent Representations）以及将潜在表示重建成图像。

Latent Space主要就是使用UNet进行特征级别的去噪过程，其中会进行Attention计算，学习Condition和图片特征的对应关系。

而Conditioning中则会通过预训练的CLIP Text Encoder将文本Prompt编码成Text Embeddings，用于对生成图像进行一定的控制引导。

VAE（Variational Auto-Encoder）

就像上面所介绍的，VAE的主要工作就是负责的图像压缩和重建，所以它其实是一个Encoder-Decoder的结构。

当我们输入一个的图片，Encoder模块会将其编码成