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
文章目录
- 系列文章目录
- 前言
- 一、原理说明
- 1.1、出图原理
- 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：
- 1.1.2 逆向去噪
- 1.1.3 AI如何学会去噪点的
- 1.2、出图机制
- 1.2.1 文字编码 CLIP
- 1.2.2 图片绘制
- 1.2.2.1 随机种子和采样器
- 1.2.2.2 迭代步数
- 1.2.2.3 采样方法
- 1.2.3放大图片
- 总结
前言
(后期补充)
一、原理说明
1.1、出图原理
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：
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
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。
所以任何一张图都可以逆向这个过程
1.2、出图机制
- 将输入的文字进行编码传入潜空间。
- 在潜空间根据文字的描述，进行图片的绘制
- 将图片从潜空间的压缩态进行放大，补充细节，提升分辨率
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。