扩散模型

扩散模型是什么

扩散模型（Diffusion Model）是当前 AI 图像和视频生成领域的主流技术路线。Stable Diffusion、Midjourney、即梦、可灵等工具的底层都基于扩散模型（或其变体）。

它的名字来自「扩散」这个物理过程：把一点颜料滴进水里，颜料会逐渐扩散、均匀化。扩散模型反过来利用这个过程——从一片「噪声」（相当于颜料完全均匀后的状态）中，一步步恢复出清晰的图像。

它是怎么工作的

扩散模型分两个阶段理解：

训练阶段（学会去噪）：把真实图像逐步加入噪声，直到完全变成随机噪声；模型学习「每一步噪声加了多少」，从而学会「如何反着去掉噪声」。

生成阶段（从噪声还原）：给定一个纯随机噪声（相当于一张全是雪花点的图），模型逐步执行去噪，每一步去掉一点噪声、恢复一点结构，经过几十到上百步，最终得到一张清晰图像。

文字怎么起作用：生成时，模型会接收一个文字描述（提示词），在每一步去噪中把「描述语义」作为引导条件，让最终生成的图像内容符合文字描述。这就是「文生图」（Text-to-Image）的原理。

扩散模型的优势

• 生成质量高：逐步细化让细节更丰富，画面质量普遍高于早期生成式模型。
• 可控性强：支持提示词、参考图、特定风格引导，适合创作场景。
• 易于工程化：可以部署到个人电脑（Stable Diffusion 就是开源的），生态繁荣。

局限与误区

局限：

• 生成速度较慢（需要多步迭代），实时生成有延迟。
• 对复杂指令的理解不稳定：多主体、精确位置、长文本等容易出错。
• 版权与伦理问题：训练数据来源、生成内容的归属仍是行业争议点。

常见误区：

• 「AI 绘画是拼贴素材库」——不是，它是从噪声中重新生成，不是拼接现有图片。
• 「扩散模型=文生图」——文生图只是它的一个应用，它还可以做图生图、视频生成、图像修复等。
• 「提示词越长越好」——不，冗余描述反而稀释关键信息，结构化、具体的描述更有效。

和其他生成路线的区别

除了扩散模型，生成式 AI 还有另一条主流路线：自回归模型（如 GPT 系列），它逐词/逐像素生成内容。对话模型的文本生成属于自回归；而主流 AI 绘画工具主要用扩散模型。两者各有所长，也正在走向融合（多模态模型同时具备两种能力）。

小结

扩散模型通过「加噪-去噪」的学习过程，让 AI 能从随机噪声中一步步生成清晰图像，是当前 AI 绘画和视频生成的底层原理。理解它有助于：写提示词时知道为什么具体描述更有效、知道生成结果是「重新创造」而非「拼接」，以及理性看待 AI 生成内容的边界与伦理问题。