Stable Diffusion
现在比较厉害的是Stable Diffusion，能够比较好的生成图像。其基本理念是，学习图像中的噪声，通过多级，逐步获得噪声后，减去所有的噪声，就形成了图像。这是有一定理论依据的，大概意思就是说图像中的这些噪声是满足高斯分布的。 细节后再来补！
-
有人说，VAE与diffusion很像，前者是用MLP做转化，后者是用马尔可夫链作转化。
-
有人说，diffusion之前有提出，近期在CLIP上表现突出，所以火了。
所以 CLIP是其中的一个重要概念。CLIP其实是文本与图像的共有特征空间。在CLIP学到的空间里，图像与文本有着共通的语义，能够相互转化。而且其学习过程是使用互联网上抓取的信息自动实现监督学习，其迁移能力也很强。通过CLIP，使得stable diffusion能够理解主义并且将语义转化为图像。
重要参考链接：