简化版原理图
SD模型分两种,一种只包括U-net网络,一种包括U-net网络和VAE。
U-net网络负责在潜空间中去除图片的噪声,而VAE负责将图片从潜空间中捞出来,恢复图片中被压缩的信息。
图中的CLIP负责将文字转换为向量表示,用于指导U-net的去噪。
架构图_包括训练和出图
架构图分为两部分,上半部分(箭头从左至右)代表训练,下半部分(箭头从右至左)代表出图。左侧的红色区域为像素空间,对应正常的图片。中间的绿色区域代表潜空间,对应被压缩的、只保留重要基础特征的图片。VAE是这两个空间的桥梁,通过VAE的编码器(Encoder,图中的ε),可以使图片进入潜空间,通过VAE的解码器(Decoder,图中的D),可以使图片被捞出潜空间。右侧的灰色区域为输入的条件。
出图过程:
U-net网络(即, 略图为)使用了交叉注意让输入的条件介入去噪过程,对图片进行多轮迭代,再经由VAE捞出潜空间,即可获得成图。