Stable Diffusion火到被藝術家集體舉報，網(wǎng)友科普背后機制被LeCun點贊
又是擴散模型
白交 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
免費開源的Stable Diffusion太火了！
有人拿它來做視頻短片，幾分鐘內穿越時間看遍地球萬物的演變。
，時長02:19
還有人拿它來制作守望先鋒里的英雄。
甚至因為使用過于泛濫，牽涉到藝術版權的問題，一群藝術家們還吵了起來，并把一個非官方賬號舉報到封號。
這背后究竟是如何運作的，才能形成如此驚人的反響？
這幾天，有位小哥分享了Stable Diffusion工作機制的線程，還被LeCun點了贊。
來看看究竟說了啥。
又是擴散模型
首先，從名字Stable Diffusion就可以看出，這個主要采用的擴散模型（Diffusion Model）。
簡單來說，擴散模型就是去噪自編碼器的連續(xù)應用，逐步生成圖像的過程。
一般所言的擴散，是反復在圖像中添加小的、隨機的噪聲。而擴散模型則與這個過程相反——將噪聲生成高清圖像。訓練的神經網(wǎng)絡通常為U-net。
不過因為模型是直接在像素空間運行，導致擴散模型的訓練、計算成本十分昂貴。
基于這樣的背景下，Stable Diffusion主要分兩步進行。
首先，使用編碼器將圖像x壓縮為較低維的潛在空間表示z（x）。
其中上下文（Context）y，即輸入的文本提示，用來指導x的去噪。
它與時間步長t一起，以簡單連接和交叉兩種方式，注入到潛在空間表示中去。
隨后在z（x）基礎上進行擴散與去噪。換言之， 就是模型并不直接在圖像上進行計算，從而減少了訓練時間、效果更好。
值得一提的是，Stable DIffusion的上下文機制非常靈活，y不光可以是圖像標簽，就是蒙版圖像、場景分割、空間布局，也能夠相應完成。
霸占GitHub熱榜第一
這個平臺一開源，就始終霸占GitHub熱榜第一，目前已累計2.9k星。
它是由慕尼黑大學機器視覺與學習研究小組和Runway的研究人員，基于CVPR2022的一篇論文《High-Resolution Image Synthesis with Latent Diffusion Models》，并與其他社區(qū)團隊合作開發(fā)的一款開源模型。
據(jù)官方介紹，它能在幾秒內在消費級CPU上運行創(chuàng)作，也無需進行任何預處理和后處理。
核心數(shù)據(jù)集是LAION-5B的一個子集，它是專為基于CLIP的新模型而創(chuàng)建。
同時，它也是首個在4000個A100 Ezra-1 AI超大集群上進行訓練的文本轉圖像模型。
不管怎么說，在文本生成圖像這一趴，又多了一位實力強勁的明星了。（狗頭）
GitHub鏈接：
https://github.com/CompVis/latent-diffusion
參考鏈接：
[1]https://twitter.com/ai__pub/status/1561362542487695360
[2]https://stability.ai/blog/stable-diffusion-announcement
[3]https://arxiv.org/abs/2112.10752
- 英偉達最新芯片B30A曝光2025-08-20
- AI應用如何落地政企？首先不要卷通用大模型2025-08-12
- 本科必學Dijkstra算法被超越！清華段然團隊打破圖靈獎得主證明的普遍最優(yōu)性2025-08-09
- 智能體邁入L4 時代！納米AI多智能體蜂群，可創(chuàng)作最長10分鐘AI視頻2025-08-06
相關閱讀
