Stable Diffusion学习指南【初识篇】

在之前的教程里，我带大家学习了Midjourney这款商业级AI绘画应用，但是很多朋友都苦恼Midjourney无法精确控图的问题，而从今天开始，我会带大家学习另外一款更强大的AI绘画工具——Stable Diffusion，可以帮你解决很多应用层面的AI控图问题。

关于Stable Diffusion的内容很多，在本篇教程里，我会先为你介绍Stable Diffusion模型的运行原理、发展历程和相较于其他AI绘图应用的区别。

关于Stable Diffusion的几个名词

相信大家或多或少有看到过以下几个名词，因此有必要先给大家做个区分，以便你更好理解后续教程的内容。

• Diffusion Model：扩散模型，一款支持文本生成图像的算法模型，目前市面上主流的DALL E、Midjourney、Stable Diffusion等AI绘画工具都是基于此底层模型开发的

• Latent Diffusion Model：即潜在扩散模型，基于上面扩散模型基础上研制出的更高级模型，升级点在于图像图形生成速度更快，而且对计算资源和内存消耗需求更低

• 🌟Stable Diffusion：简称SD模型，其底层模型就是上面的潜在扩散模型，之所以叫这个名字是因为其研发公司名叫Stability AI，相当于品牌冠名了

• 🌟Stable Diffusion Web Ul：简称SD WebUI，用于操作上面Stable Diffusion模型的网页端界面，通过该操作系统就能控制模型出图，而无需学习代码

在本系列的教程中，我们需要学习的内容就是使用SD WebUI来调用Stable Diffusion模型生成图像。

Stable Diffusion模型的运行原理

在上面介绍的几个概念中，你会发现都包含了Diffusion扩散模型这个词，所以我们先从它开始讲起。

Diffusion模型是图像生成领域中应用最广的生成式模型之一，除此之外市面上还有生成对抗模型（GAN）、变分自动编码器（VAE）、流模型（Flow based Model）等其他模型，它们都是基于深度学习为训练方式的模型。

扩散模型之所以用Diffusion来命名，因为它的运作过程就是向训练图像不断地添加噪声，直到变为一张无意义的纯噪声图，再逐步恢复的过程。

其中加噪的过程就像在干净的水中滴了一滴墨汁，颜料会逐渐向整个水体扩散，直至整个水体变浑。如果你之前有尝试过AI绘画，会发现整个绘图过程就是从一张模糊的噪声图，逐渐变为清晰的图像，而这就是逆向降噪的过程。

正常来说，标准的扩散模型已经可以实现图像训练和绘制了，为什么要再出一套 Latent Diffusion Model 潜在扩散模型呢？这里主要是为了计算量的问题：

标准的扩散模型是在像素空间（可以理解为高维空间）中进行的，对于一张512x512尺寸的RBG图片，这将是一个768432（512x512x3）维度的空间，意味着生成一张图需要确定768432个值，这个过程往往需要多台专业显卡同时运算，我们平时自己用的商业级显卡资源是不可能完成这个任务的。

而潜在扩散模型就是解决这个问题的，它的过程是先把训练图像先缩小48倍再进行运算，结束后再恢复到原始尺寸，这样运算过程中需要处理的计算数据就少了许多，运算速度也会比正常的像素空间中快了很多&