不知道是不是玩novelai被boss看到了，推荐了我学stable diffusion
扩散模型
DALL E
Midjourney
stable diffusion
latent diffusion
说是改进点在于“给输入图片压缩降低维度，所以有个latent，从而减少计算量”，类似于下采样吧，编码后在特征空间搞动作，而不是像diffusion那样直接在像素上搞动作。当然减少计算量的代价就是细节的丢失。
-》stable diffusion
diffusion
文本-》CLIP的文本编码器-》diffusion（unet+scheduler）-》VAE的解码器
关于图像生成，提到了“给原始图片逐渐加入噪声，然后再逐步去除噪声以还原图片”这个过程，可以理解为生成模块学习到了哪些像素是必需的，哪些像素是无关紧要的，识别和保留那些对于图像的整体结构和识别最为重要的特征，同时忽略或去除那些不影响图像识别或结构的变化。这对于生成图像、图像编辑、图像压缩等任务特别有用，因为它使模型能够创造出既精确又具有视觉上可信度的结果。
有文本提示生成的噪声和无文本提示生成的噪声相减，得到文本带来的噪声变化，将这个噪声变化视作信号放大（这个放大倍数7.5就是UI上的guidance scale参数）后，再附加到无提示的噪声上就得到了一个心仪的噪声
其中50是个噪声步长scheduler，相当于指示加入噪声的程度，刚才得到的心仪噪声是50对应的噪声变化量加到49对应的无提示噪声上，从而这样一步步重构原图去除噪声
所以负向提示其实就是让正向提示噪声-负向提示噪声，从而原理负向提示
VAE
sd的训练其实就是基于VAE编码器的结果作为输入的
其他模型
dreambooth
直接拿新的图文数据去微调unet
当然图文是先分别过一下VAE和CLIP的编码器得到特征的
相当于只不冻结unet部分的微调
不过保存的模型是一整个，会很大
LORA
只是在unet那一部分加入一些新的层，训练也只训练这些新层，保存文件比较小
其实和大模型参数高效微调中的lora一样，因为不修改原有网络结构，所以是可以实现的操作
对在每个密集层逼近更新矩阵施加了低秩约束，以减少适应下游任务的可训练参数。考虑优化参数矩阵 W 的情况。更新过程可以写成一般形式：W ← W + ΔW。LoRA的基本思想是冻结原始矩阵 W ∈ Rm×n，同时通过低秩分解矩阵逼近参数更新 ΔW，即 ΔW = A · B⊤，其中 A ∈ Rm×k 和 B ∈ Rn×k 是任务适应的可训练参数，k ≪ min(m, n) 是降秩。LoRA 的主要优点是它可以在很大程度上节省内存和存储使用（例如，VRAM）。
textual inversion
调整CLIP得到适应新的图片的文本特征
相当于冻结视觉编码器，微调文本编码器
保存模型更小
controlnet
输入骨骼等辅助信息