从一句话到一张图：看懂 Stable Diffusion 的“潜空间扩散”生成流程（配图详解）
Stable Diffusion Pipeline
Source: Aayush’s Blog, “Stable Diffusion using Hugging Face – Putting everything together” (2022).Used with attribution.
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：
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：
模型每一步去噪时，都在不断“对齐”文字语义与图像潜空间结构。
4.3 CFG：提示词引导
虽然图里没写，但实际流程几乎都会用 Classifier-Free Guidance（CFG）：
- 同时跑 有条件（prompt） 与 无条件（空 prompt）
- 两者结果线性组合，让生成更贴近 prompt
其中 s 是 guidance scale（常见 5~12）。
5. 模块四：Scheduler —— 控制“加噪/去噪”的时间策略
图右侧橙色块是 Scheduler algorithm to add noise，它负责管理扩散过程中的：
- 时间步（timestep）
- 噪声强度（noise schedule）
- 采样算法（DDIM、Euler、DPM++ 等）
5.1 为什么图里写 “Repeat N times”？
因为扩散模型的生成不是“一步到位”，而是 多步迭代：
- 通常 N = 20~50
- 每一步根据 scheduler 指定的规则更新 latents
这就是所谓的 采样过程（sampling）。
去噪步数越多，通常细节越丰富，但耗时越长；不同采样器会影响风格与稳定性。
6. 模块五：VAE —— 从潜空间回到像素世界
图中绿色块是 VAE，它是一个：
- Encoder：把图像压缩到 latent
- Decoder：把 latent 解码回图像
在文生图里我们只用 Decoder：
image = VAE.decode(conditioned_latents)
输出图像尺寸是：3×512×512（RGB）
这也是图右下角 Output Image 的来源。
7. 串起来：Stable Diffusion 的整体流程（对应图）
结合图，我们可以用“工程视角”的伪流程理解：
- 输入 prompt
- 用 CLIP 把 prompt 编码成 text embeddings
- 初始化随机高斯噪声 latents（1×4×64×64）
- for t in timesteps:
- U-Net(latents, t, text_embeddings) → 预测噪声
- Scheduler 根据预测噪声更新 latents
- VAE 解码 latents → 输出 512×512 图片
8. 为什么这种结构强大？有三个关键优势
8.1 潜空间扩散：速度与质量的折中最佳解
相比像素扩散：更快、更省显存
相比 GAN：更可控、更稳定
8.2 CLIP 语义空间：文本可精细控制图像内容
Cross-attention + CFG 让 prompt 能精准影响形状、颜色、风格、细节。
8.3 Scheduler 可插拔：采样策略决定“生成气质”
不同 scheduler（Euler、DDIM、DPM++）决定：
- 清晰度
- 细节锐利程度
- 风格偏向
- 收敛速度
9. 读图小结
Stable Diffusion = 文本条件 + 潜空间扩散 + U-Net 去噪 + VAE 解码
Prompt 给方向
CLIP 给语义
U-Net 做生成
Scheduler 控节奏
VAE 把结果搬回像素世界
理解了这条链路，就可以掌握扩散模型最重要的知识骨架。
