概述
潛在擴散模型透過在壓縮的潛在空間而不是原始像素中運行擴散過程來產生影像，從而大幅削減計算成本。它們是穩定擴散和大多數現代開源影像生成器背後的引擎。
潛在擴散模型屬於電腦視覺工作流程，它解釋或產生視覺媒體以進行分析、操作和創造力。
深入探討
標準擴散模型學習逆轉雜訊過程：它從純雜訊開始，逐漸去雜訊為影像。直接在像素上執行此操作的成本很高，因為 512x512 影像具有數十萬個值。 Rombach 及其同事在 2022 年提出的潛在擴散技術，首先使用預先訓練的變分自動編碼器 (VAE) 將影像壓縮為小型潛在網格（通常為 64x64x4，約小 48 倍）。然後，擴散 U-Net 在文字的交叉注意力引導下，學習在緊湊的潛在空間內進行去雜訊。最後，VAE 解碼器重建全解析度像素。這種感知壓縮保留了語義上有意義的訊息，同時丟棄了難以察覺的細節，從而在消費級 GPU 上實現高品質生成。
技術洞察
關鍵技巧是將感知壓縮與生成建模分開。 VAE 處理一次高頻像素細節，而 U-Net 僅對較低維度的潛在分佈進行建模。文本調節是透過交叉注意力層注入的，其中 U-Net 的空間特徵負責來自 CLIP 等文本編碼器的標記嵌入。由於潛在影像大約比像素小 48 倍，因此每個去雜訊步驟的記憶體和 FLOP 成本都顯著降低。
掌握潛在擴散模型
潛在擴散模型透過在壓縮的潛在空間而不是原始像素中運行擴散過程來產生影像，從而大幅削減計算成本。它們是穩定擴散和大多數現代開源影像生成器背後的引擎。潛在擴散模型屬於電腦視覺工作流程，它解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將潛在擴散模型視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用潛在擴散模型的強大團隊會平衡準確性與數據品質、照明差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
穩定擴散在單一消費級 GPU 上根據文字提示生成藝術作品和概念設計
Adobe 和 Canva 支援基於潛在擴散主幹的文字到圖像和生成填充功能
遊戲工作室製作紋理貼圖、精靈和環境概念藝術以加速預製作
庫存圖像和行銷團隊無需拍攝照片即可創建品牌產品模型和廣告視覺效果
實施模式
實踐中的潛在擴散模型
穩定擴散根據單一消費級 GPU 上的文字提示生成藝術作品和概念設計。
Stable Diffusion 在單一消費者 GPU 上根據文字提示產生藝術作品和概念設計。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的潛在擴散模型
Adobe 和 Canva 支援基於潛在擴散主幹的文字到圖像和生成填充功能。
Adobe 和 Canva 支援基於潛在擴散主幹的文字到圖像和生成填充功能。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的潛在擴散模型
遊戲工作室製作紋理貼圖、精靈和環境概念藝術以加速預製作。
遊戲工作室製作紋理貼圖、精靈和環境概念藝術以加速預製作團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時通常會獲得更好的結果。
實踐中的潛在擴散模型
庫存圖像和行銷團隊無需拍攝照片即可創建品牌產品模型和廣告視覺效果。
庫存圖像和行銷團隊無需拍攝照片即可創建品牌產品模型和廣告視覺效果當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。