stable diffusion是如何处理提示词，并且对其渲染？
2023-09-06 阅读 12
Stable Diffusion 先把提示词用分词器（基于 BPE 的 tokenizer）切成 token，送入文本编码器（通常是 CLIP 的文本分支）得到一组向量嵌入，这些嵌入作为条件信息通过 cross‑attention 注入到 U‑Net 的每一层。图像生成按扩散过程反向迭代：U‑Net 在每一步预测噪声并根据文本条件修正，常用的 classifier‑free guidance 会同时用有条件和无条件（或负面提示）嵌入计算两个噪声预测，再按一个放大系数组合以增强对提示的遵从度。最后把生成的潜变量通过 VAE 解码成像素图。需要注意提示有长度限制，超长会被截断，负面提示通常作为无条件分支的替代以抑制不希望的特征。
更新于 2025年12月26日
