背景
很多人觉得AI绘画不稳定，对于以后是否替代插画师，摄影工作者，设计师，表示存疑，作为AI从业者本文从AI绘画关键技术分析，明白以前生产者肯定会被淘汰，现在没有到达黄金期。
技术一定会让更多人失业，而我们拥抱变化，增强自身。
AI绘画中Stable Diffusion 占领开源方案9成以上。 Stable Diffusion（稳定扩散）是一种先进的深度学习模型，用于生成高质量的图像。它的关键技术包括多个版本演化、VAE（变分自编码器）、UNet架构、CLIP文本编码器、分类器引导技术、以及注意力机制等。
版本演化
“improved aesthetics” 主要指这次升级提升了 Stable Diffusion 在图像质量和艺术风格上的表现，使其生成的图像更富艺术感和审美价值。
5plus 指的是 Stable Diffusion 模型的配置版本
SD 1.1:首个版本，提出improved aesthetics，优化图像质量，使用4plus模型配置。
SD 1.2:引入大数据集LAION-2B进行训练，提高了图像质量，使用5plus模型配置。
SD 1.3:过渡版本
SD 1.4:在图像生成效果上有较大提升，训练迭代次数增加到195000步。
SD 1.5:继续改进美学效果，使用5plus模型,训练达到225000步，可以生成更高质量图片。
SD2.0：
这是Stable Diffusion的一个主要版本。
它在之前版本的基础上实现了显著的改进，特别是在图像的美学质量和生成模型的细节上。
SD2.1：
这个版本进一步优化了之前版本的特性。
强调了更有效的文本编码器，使用了更先进的CLIP版本，生成的图像与文本提示的一致性和相关性有所提升。
SD变种：
这可能是Stable Diffusion的一个变体版本，具有特殊的属性或针对特定应用场景的优化。
SDXL：
这是Stable Diffusion的一个扩展版本。
演化更大的模型（比如使用了更大的UNet），或者训练了更广泛的数据集。
强调了CLIP文本编码器和VAE的改进，提供了更准确的文本到图像的转换能力。
Stable Diffusion 2.x系列:
SD 2.0：基于CompVis模型，提升细节生成能力。
SD 2.1：引入Hypernetwork，支持无限分辨率生成。
SD 的演化过程中，最主要的变化就是模型结构和训练数据的变化。SD1.x 系列，大多数是在 SD1.2 的基础上继续微调得到的，包括我们使用最多的 SD1.4 和 SD1.5 模型；SD2.x 系列则是新开的故事线，使用了全新的模型结构。
结构关系
VAE（变分自编码器）
在Stable Diffusion (SD) 技术中，VAE 起到了关键的作用。原始的扩散模型，虽然在生成图像方面表现出色，但存在两个主要限制：
一是它不能直接从文本提示（prompt）生成图像，而是从纯噪声开始，其生成过程不可控且随机性较大；
二是它直接在图像空间进行加噪和去噪，这在处理高分辨率图像时需要消耗大量的计算资源，尤其是显存。
VAE 作用：
将扩散过程从图像空间转移到潜在空间。VAE的编码器可以将图像压缩为潜在空间的向量表示，在潜在空间进行扩散过程，再通过解码器恢复图像，这样可以大大提高计算效率。
压缩图像表示。通过VAE的编码器可以获得压缩后的图像向量表示，相比原始图像大大减少了计算和存储成本。
提高图像生成质量。VAE的编码-解码结构具有一定的去噪效果，可以生成更高质量的图像。
VAE详细文章
UNet架构
UNet主要通过其跨尺度的上下文学习和精确的像素预测，提供了高质量和高分辨率的图像生成能力。
UNet详细文章
CLIP文本编码器
CLIP通过跨模态的图像文本表示，为Stable Diffusion提供了精确的条件图像生成和语义一致的图像编辑能力。
CLIP详细文章
文本引导原理探秘
现在主流AI绘画模型，文本引导图像生成的过程采用了无分类器引导（Classifier Free Guidance）
原始的扩散模型从随机噪声出发，并不能用文本控制内容。于是，OpenAI 在论文中便提出了有分类器引导。
利用预训练的分类模型对生成的中间结果进行识别和评估，得到当前图像的分类信息,然后将该信息反馈回生成模型，引导其生成符合期望类别的图像。
算法1：分类器引导的扩散采样
这个算法描述了如何使用分类器来引导扩散模型的采样过程。它的步骤如下：
输入是一个类别标签 y和一个梯度尺度 s 。 从标准正态分布 N ( 0 , I ) \mathcal{N}(0, I) N(0,I) 中采样一个向量 x T x_T xT 作为开始。 通过迭代过程，从 ( T ) 到 1 对 x t x_t xt进行采样，其中 ( T ) 是总的时间步数。 在每一步 ( t )，利用扩散模型 μ θ ( x t ) \mu_{\theta}(x_t) μθ(xt) 和 Σ θ ( x t ) \Sigma_{\theta}(x_t) Σθ(xt) 来计算均值 μ \mu μ和方差 Σ \Sigma Σ 然后使用分类器 p ϕ ( y ∣ x t ) p_{\phi}(y|x_t) pϕ(y∣xt) 对 ( x_t ) 的梯度 ∇ x t log p ϕ ( y ∣ x t ) \nabla_{x_t} \log p_{\phi}(y|x_t) ∇xtlogpϕ(y∣xt) 进行加权，通过尺度 ( s ) 来调整这个梯度。 最后，从条件分布 N ( μ + s Σ ∇ x t log p ϕ ( y ∣ x t ) , Σ ) \mathcal{N}(\mu + s \Sigma \nabla_{x_t} \log p_{\phi}(y|x_t), \Sigma) N(μ+sΣ∇xtlogpϕ(y∣xt),Σ)中采样 x t − 1 x_{t-1} xt−1 这个过程重复直到 ( t=0 )，最后返回 x 0 x_0 x0 作为生成的图像。算法2：分类器引导的DDIM采样
DDIM（Denoising Diffusion Implicit Models）是一种扩散模型的变体，它允许更快的采样过程。这个算法使用分类器引导来执行DDIM采样。它的步骤如下：
输入和算法1相同。 同样从标准正态分布中采样一个向量 x T x_T xT 作为开始。 通过迭代过程，从 T 到 1 对 x t x_t xt 进行采样。 在每一步 ( t )，使用 ϵ θ ( x t ) \epsilon_{\theta}(x_t) ϵθ(xt) 来计算噪声，然后用分类器 p ϕ ( y ∣ x t ) p_{\phi}(y|x_t) pϕ(y∣xt)来引导这个噪声的方向。 使用这个引导的噪声来更新 x t x_t xt 并采样 x t − 1 x_{t-1} xt−1 这个过程重复直到 t=0，最后返回 x 0 x_0 x0通过这两种算法，分类器引导的扩散模型可以生成更符合类别标签 ( y ) 的图像。
这种方法对于条件图像生成来说是非常有效的，因为它可以引导生成过程朝着满足特定条件的方向发展。在实践中，
这意味着可以生成更符合用户需求的定制化图像。
采样器
注意力机制
SD 模型基于潜在扩散模型，通过变分自编码器实现从图像空间到潜在空间的压缩和扩展。 利用 CLIP 等模型的文本编码器，将文本转化为文本表征,并通过交叉注意力机制将文本信息融入图像生成过程。 SD 的扩散模型是一个大规模的 UNet，在编码器部分使用了多个带交叉注意力的 CADB 模块。 CADB 模块包含自注意力模块和交叉注意力模块,实现文本表征与图像特征的交互。 文本表征通过交叉注意力计算 K、V 向量,与自注意力模块的 Q 向量结合，实现文本信息的注入。 时间步编码直接作用于 CADB 模块中的 ResnetBlock，与文本表征共同引导图像生成。 通过调节采样步数和 CFG Scale,可以控制生成图像与文本提示的匹配程度。图生图 Negative Prompt 和 CLIP Skip
解密Negative Prompt 作用
反向描述词可以避免模型生成不想要的内容，起到负样本的作用。
将无条件预测中的空字符串替换为反向描述词，告诉模型应避免生成什么内容。
最终噪声 = w * 条件预测 + （1 - w） * 反向描述词预测
通常我们的引导权重大于 1，比如取 7.5 这个数值，使用反向描述词便可以引导模型避免生成我们不想要的内容。
解密 CLIP Skip = 2 作用
使用CLIP文本编码器的倒数第二层而不是最后一层特征。
最后一层特征可能丢失语义信息，因为CLIP通过成对数据训练，图文不总对应。
倒数第二层特征更接近原始文本语义，可以让模型更听话。（经验值）
结语
以上内容从底层角度把Stable Diffusion介绍完，相信也知道AI绘画刚起步，为了各个模块规模和优化有很多路要走。
AI生成一定会淘汰更多生产者，拥抱使用AI，提升竞争能力。
我是dlimeng，独立开源软件开发者，SolidUI作者，对于新技术非常感兴趣，专注AI和数据领域，如果对我的文章内容感兴趣，请帮忙关注点赞收藏，谢谢！