Stable Diffusion 核心流程解析：从文本提示到图像生成的潜空间原理

文章配图

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. 管线概览

这张图描述了典型的 Stable Diffusion 文生图管线，整体逻辑可以概括为五个步骤：

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)

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：

$\text{text_embeddings} \in \mathbb{R}^{1 \times 77 \times 768}$

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），形状为 1×4×64×64。这就是 Stable Diffusion 的'起点'。

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。

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）

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。

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。

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

$\epsilon = \epsilon_{\text{uncond}} + s \left( \epsilon_{\text{cond}} - \epsilon_{\text{uncond}} \right)$

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）

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）和 Decoder（把 latent 解码回图像）的组合。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

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

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。

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。

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、风格偏向及收敛速度。

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。