stable diffusion实践操作-SD原理

系列文章目录

本文专门开一节写SD原理相关的内容，在看之前，可以同步关注：
stable diffusion实践操作

---

---

前言

(后期补充)

---

一、原理说明

1.1、出图原理

<img src+“” width=600>

1.1.1 AI画画不是和人一样，从0开始，而是一个去噪点的过程：

<img src+“” width=600>

1.1.2 逆向去噪

所有的人图片都是从一张噪点图开始的。根据目标生成一张猫的图片，将噪点一步步转化为猫
<img src+“” width=600>

1.1.3 AI如何学会去噪点的

AI首先将图片一步步加入噪点。

<img src+“” width=600>
所以任何一张图都可以逆向这个过程

<img src+“” width=600>
<img src+“” width=600>

<img src+“” width=600>

1.2、文生出图机制

生成图片，我们需要两个主要输入，提示词prompt和随机种子

1. 将输入的文字进行编码传入潜空间。
2. 在潜空间根据文字的描述，进行图片的绘制
3. 将图片从潜空间的压缩态进行放大，补充细节，提升分辨率
   
   
   
   

本文知乎链接：
入口
clip模型
在 Stable Diffusion 模型中，prompt 是通过引导向量（guidance vector）来控制 U-Net 的。具体来说，prompt 会被编码成一个文本嵌入向量（text embeddings），然后与其他输入一起传递给 U-Net。这个过程可以分为以下几个步骤：

1. 首先，将 prompt 输入到一个预训练的语言模型（例如 GPT）中，以获得对应的文本嵌入向量（text_embeddings）。
2. 接下来，将 text_embeddings 与其他输入（如隐变量 latent_model_input 和时间戳 timestamp）拼接在一起，形成 U-Net 的输入。
3. 将这个输入传递给 U-Net，并计算出有条件的噪声预测（noise_pred_text）。同时，也会计算出无条件的噪声预测（noise_pred_uncond）。
4. 使用一个指导比例因子（guidance_scale）来调整有条件和无条件噪声预测之间的权重。这个因子可以根据实际需求进行调整，以控制 prompt 对生成结果的影响程度。
5. 最后，将加权后的噪声预测传递给扩散调度器（scheduler），并更新隐变量（latents）。
   通过这种方式，prompt 能够影响 U-Net 的输出，从而在生成过程中引导模型产生符合预期的结果，即通过 prompt 产生我们想要的图。

解开Clip Skip值的秘密

1.2.1 文字编码 CLIP

计算机不能直接理解文本和图片

而是通过特征向量来标记

而这一项工作是通过CLIP模型来完成的

clip模型包括文字编码器和图片编码器，将文字和图片都编码成向量

所以CLIP设置的层数越高，图片和文字相关度越低，一般设置为2就可以了。

1.2.2 图片绘制

SD绘制图片内容的时候，并不是直接绘制512512的图片，而是绘制核心内容，6464，然后再将图片放大还原。

所以绘图的实际过程就是去噪

1.2.2.1 随机种子和采样器

SD会根据随机种子生成一张正态分布的噪点图，然后根据传入的文字，加入是狗，去向量数据库中搜索，生成狗的去噪方式。去噪方式又是采样器进行调用的

采样器会调用Unet模型，对图片中的噪点预测，生成噪点预测图

让噪点图减去预测出的全部噪点，生成最终的模型图片

1.2.2.2 迭代步数

Unet模型在噪点多的时候，预测并不理想，所以我们并不一次性全部采纳其预测的噪点，而是每次只采用一部分噪点，循环多次

这个过程就是下面的迭代步数

设置过小，图片与文本匹配度较低，过大，则会画蛇添足，一般我们设置为20-40步即可

1.2.2.3 采样方法

采样所采用的算法，不同算法消耗的时间不同。

采样器时间对比

一般推荐大家 使用DPM++ SDE Karas/DPM2++ SDE Karas
对比：

1.2.3放大图片

在潜空间产生的图片比较小，我们需要VAE将其放大，优化细节。

这就是整个过程

---

总结

例如：以上就是今天要讲的内容。