Stable Diffusion Pipeline
当你输入一句'A dog wearing a hat（戴帽子的狗）'，模型最后输出一张高清图片。中间到底发生了什么？ 这张图展示的，其实就是 Stable Diffusion 这类潜空间扩散模型（Latent Diffusion Model）最核心的工作流：文本 → 语义向量 → 潜空间噪声 → 逐步去噪 → VAE 解码成图像。 本文将按图逐块拆解，并补充它背后的关键概念与工程细节，让你真正理解扩散模型是如何'画画'的。
1. 这张图在讲什么？
这张图描述了典型的 Stable Diffusion 文生图管线：
- Prompt 文本 → CLIP 文本编码得到 text embeddings
- 从高斯噪声开始初始化潜变量 latents
- U-Net 在 text embeddings 条件引导下做多步迭代去噪（由 scheduler 控制）
- 得到最终的 conditioned latents
- VAE 解码成真实像素图输出（如 512×512）
2. 模块一：CLIP Model —— 文本如何变成'可计算的语义'
图左侧是 CLIP Model，主要过程包括：
- Tokenizer（分词器）：把文字拆成 token
- Token to Embedding：把 token 映射到向量空间
- 输出 Text Embeddings (1×77×768)
2.1 为什么是 77×768？
以 SD 1.x 为例：
- 最大 token 长度固定为 77（包含起止符号等）
- 每个 token 对应一个 768 维语义向量（CLIP Text Encoder 的 hidden size）
因此最终的文本表示是一个矩阵：text_embeddings ∈ R^(1×77×768)
这个 embedding 就是后续 U-Net 去噪过程的'条件信号'，相当于让模型知道：它去噪的目标应该朝向'戴帽子的狗'。
3. 模块二：Gaussian Noise → Latents —— 为什么从噪声开始？
图的右上角是 Gaussian Noise（高斯噪声）：
- 形状：1×4×64×64
这就是 Stable Diffusion 的'起点'。
3.1 为什么不是直接在 512×512 像素上扩散？
这是 Stable Diffusion 的核心创新：不在像素空间扩散，而在潜空间（latent space）扩散。
- 真实图像：3×512×512
- 潜空间：4×64×64
这相当于把图像压缩了 8 倍（512 / 64 = 8），计算量大幅下降。
这就是 Latent Diffusion 的意义：更快、更省显存，同时保持画质。
3.2 这 4 个通道是什么？
这是 VAE 编码后的 latent feature map 的通道数（对 SD 1.x 常见配置就是 4）。
4. 模块三：U-Net —— 扩散模型真正'画画'的地方
图中黄色块是 U-Net，它是扩散模型的核心网络，负责：
- 输入：当前 timestep 的 noisy latents（含噪潜变量）
- 条件：text embeddings
- 输出：噪声预测（或直接预测 x0 / v，取决于训练方式）
4.1 U-Net 为什么叫 U-Net？
因为它是'编码器 - 解码器'的结构，中间通过 skip connection 保留空间细节，适合做图像相关任务。
4.2 文本是怎么'进'U-Net 的？
通常通过 Cross-Attention（交叉注意力）：
- Query 来自 latent feature
- Key/Value 来自 text embeddings
这意味着：
