今天我们来揭开 Stable Diffusion 技术的神秘面纱。
1.稳定扩散原理
Stable Diffusion 在2022年发表，一种基于Latent Diffusion Models的新兴机器学习技术。它基于扩散过程，利用数学模型将机器学习中的高维度数据降低到低维度空间，并在该空间中进行训练。Stable Diffusion的原理涉及到以下三个组件：
-
Text Encoder 文字特征化：为了输入文字的内容，我们要先有一个powerful的文字特征萃取器，可以是GPT、BERT等常见的主流Transformer model，总之能把文字特征做得好，就好的是Encoder 。
-
Diffusion Model 扩散模型：透过降躁过程，将一个潜在空间Latent Space的图像，逐步转回真实图像的技术，里面用到U-Net架构及Attenation技术，来提高模型表现，与传统的Diffusion略有不同。
-
VAE (Variational Autoencoder)：变分自编码器，负责图像在潜在空间的压缩与重建，压缩后的图像能让模型学得更快更好。
以功能来切，大概可以这样理解
以模型的学习与训练来看，可以这样理解：
将高维特征压缩到低维，然后在低维空间上进行操作的方法具有泛用性，可以很容易推广到文本、音频、影像等数据。
Stable Diffusion模型中，有几种不同的sampling方法可以用来生成数据，以下是一些常见的sampling方法：
-
Gaussian sampling：是Stable Diffusion中最常用的一种sampling方法。它通过将高斯噪声添加到数据中来生成新的样本。这种方法可以帮助模型更好地理解数据的分布和特征。
-
Langevin sampling：一种基于随机梯度下降的sampling方法。它通过将随机噪声添加到梯度中来生成新的样本。这种方法可以帮助模型更好地处理高度非线性的数据。
-
Metropolis-Hastings sampling：一种Markov Chain Monte Carlo（MCMC）方法，它可以生成一个序列来表示数据的分布。这种方法可以帮助模型更好地理解数据的复杂性和不确定性。
-
Hamiltonian Monte Carlo sampling：一种MCMC方法，它可以利用动态系统的特性来生成数据样本。这种方法可以帮助模型更好地理解数据中的隐含结构和特征。
-
Diffusion Process Model：DPM是基于扩散过程的理论原理，通过对数据样本中的噪声进行建模，可以帮助消除数据中的噪声和偏差，提高模型的准确性和泛化能力。
这些方法在Stable Diffusion的参数中都可以调整，其中Sampling step更会影响图片生成的运算时间及效果，原则上会根据采样方法不同而有所差异。
2.Dreambooth 原理
Google 在2022年提出的技术，可以保留你想想要的图片特征，基于 GAN 模型的核心思想，即通过将生成器和判别器部分相互对抗，从而提高生成器生成图像的质量和真实度。在Dreambooth中，生成器部分利用深度学习技术从文字描述中学习生成图像的能力，而判别器部分则利用深度学习技术评估图像的真实度，从而驱动生成器不断地优化生成图像的效果。
透过对Stable Diffusion的微调，让图片可以在保留特征的情况下生成更多样式，这也是近期很多艺术家反弹的艺术风格道德问题，如果你喜欢某个画师的风格，就能用这个技术将之模仿并创作。
如Civitai上的Checkpoint Model，就是Stable Diffusion用来生成图片的主模型，可以快速找到你想要的风格。
3.LoRA 原理
Low-rank adaptation of large language models，又称 LoRA，微软开发的局部调整模型，非常轻量，可以在Stable Diffusion主模型的基础上，增加局部特征。
主要原理是将低秩矩阵分解应用到大型语言模型中，将模型中的权重矩阵分解成低秩的两个矩阵，从而减少存储需求和计算成本。此外模型还通过自适应学习的方法来调整模型的参数，以更好地适应不同的语言模型和文本数据。
如Civitai上的LoRA Model，就能将想要的风格加进主模型中，你就可以建立各种表情、服装的Tifa之类的。
4.ControlNet 原理
ControlNet 模型通常由两个部分组成：一个称为系统动态的部分，用于处理非线性问题，另一个称为控制器的部分，用于调节模型的输出。控制器的输出可以根据系统动态的状态和期望输出值进行调整，从而提高模型的性能和准确度。
ControlNet 应该是 Stable Diffusion 目前最夯的应用，主要可以控制人物的动作，或是物体结构，不需要打一堆咒语，快速让AI懂你要的东西。
