---
title: 2-SD-StableDiffusion
draft: false
tags:
  - Stable-Diffusion
  - 扩散模型
  - 生成模型
  - 深度学习
---
# Stable Diffusion 全链路深度解析：从潜空间到语义生成

## 一、 整体架构总览：降维打击与模态融合

Stable Diffusion 的核心思想是将扩散过程从高维的**像素空间 (Pixel Space)** 转移到低维的**潜空间 (Latent Space)**。这种做法不仅大幅降低了计算成本，还通过解耦“感知压缩”与“语义生成”，提高了生成质量。

整个训练通路可以抽象为：

1. **感知压缩器 (VAE)**：负责将图像 $x$ 压缩为隐向量 $z$，或将 $z$ 反推回图像。
    
2. **语义编码器 (CLIP)**：负责将文本提示词 $y$ 映射为 U-Net 能理解的特征向量。
    
3. **生成引擎 (U-Net)**：在潜空间中进行条件扩散过程，学习预测噪声。
    

---

## 二、 组件一：VAE——空间的感知压缩

VAE 在 SD 中充当“空间翻译官”。它通过自编码结构学习图像的低维表示。

### 1. 数学定义与映射

- **编码器 $\mathcal{E}$**：将图像 $x \in \mathbb{R}^{H \times W \times 3}$ 映射到潜空间 $z = \mathcal{E}(x)$。在 SD 中，$z \in \mathbb{R}^{h \times w \times c}$，下采样倍数通常为 8（即 $h = H/8$）。
    
- **解码器 $\mathcal{D}$**：将潜变量映射回像素空间 $\hat{x} = \mathcal{D}(z)$。
    

### 2. 训练目标（变分下界与正则化）

VAE 的训练不仅仅是 MSE 损失，它包含了一个正则化项以确保潜空间 $z$ 具有良好的分布特性：

$$L_{VAE} = \|x - \mathcal{D}(\mathcal{E}(x))\|^2 + \lambda \cdot D_{KL}(q_\phi(z|x) \| \mathcal{N}(0, I))$$

- **KL 正则化**：确保 $z$ 接近标准正态分布，防止潜空间出现过于稀疏的“空洞”，这对后续扩散模型的采样至关重要。
    
- **感知损失 (Perceptual Loss)**：在 SD 的 VAE 训练中，还会加入 LPIPS 或 GAN Loss 来保证重建图像的视觉清晰度（而非仅仅是像素对齐）。
    

---

## 三、 组件二：CLIP——语义的桥梁

为了实现“文生图”，我们需要一个能同时理解图像和文本的模型。OpenAI 的 **CLIP (Contrastive Language-Image Pre-training)** 提供了这一能力。

### 1. 对比学习推导

CLIP 通过大规模对（图像 $I_i$, 文本 $T_i$）进行训练。其核心是学习两个编码器：$f_{img}$ 和 $f_{txt}$。

训练目标是最大化对角线上的相似度：

$$\text{Loss}_{\text{CLIP}} = -\sum_{i=1}^N \log \frac{\exp(\cos(f_{img}(I_i), f_{txt}(T_i)) / \tau)}{\sum_{j=1}^N \exp(\cos(f_{img}(I_i), f_{txt}(T_j)) / \tau)}$$

**直觉解释**：这一损失函数的核心思想是"匹配的对应该更相似"。对于每个样本 $i$，我们希望图像编码 $f_{img}(I_i)$ 与其对应文本编码 $f_{txt}(T_i)$ 的余弦相似度越高越好，同时与所有不匹配的文本编码 $f_{txt}(T_j)$（其中 $j \neq i$）的相似度越低越好。

- $\tau$ 是温度参数，控制 softmax 的锐度
- $\cos(\cdot, \cdot)$ 是余弦相似度函数
- 分母是对所有文本的相似度求和，体现对比学习的"对比"特性

### 2. 在 SD 中的应用

在 Stable Diffusion 推理时，我们**冻结** CLIP 的 Text Encoder（通常是 ViT-L/14 的一部分）。文本 $y$ 经过 CLIP 后得到特征矩阵 $C \in \mathbb{R}^{L \times d_{\text{clip}}}$（$L$ 为 token 长度，通常为 $77 \times 768$），这个矩阵将作为 **Conditioning** 注入 U-Net。

**CLIP 的核心作用**：

1. **语义对齐**：将文本中的抽象语义（如"一只在睡觉的猫"）映射到图像特征空间
2. **零样本迁移**：预训练好的 CLIP 可以理解任意文本描述，无须针对特定类别微调
3. **条件信息提取**：CLIP 提取的文本特征 $C$ 包含丰富的语义信息，可引导 U-Net 生成对应的视觉内容

---

## 四、 组件三：U-Net 与 Cross-Attention 核心逻辑

SD 使用的 U-Net 是一个带有**空间变压器 (Spatial Transformer)** 的增强版本，它是实现噪声预测的主体。

### 1. U-Net 结构组成

- **ResNet Blocks**：处理潜空间特征图的局部纹理。
    
- **Spatial Transformer Blocks**：包含 Self-Attention 和 Cross-Attention，处理全局依赖和外部条件。
    

### 2. Cross-Attention 的数学细节

这是文本引导图像生成的关键。在 U-Net 的中间层，潜特征 $z_t$ 被映射为 Query，而 CLIP 文本向量 $C$ 被映射为 Key 和 Value。

$$Q = W_Q \cdot \phi(z_t), \quad K = W_K \cdot C, \quad V = W_V \cdot C$$

$$\text{Attention}(Q, K, V) = \text{softmax}\left( \frac{QK^T}{\sqrt{d}} \right) \cdot V$$

- **物理意义**：注意力图（Attention Map）决定了文本中的哪个单词（如“猫”）应该对应潜特征图中的哪个空间位置。通过这种方式，文本语义被“注入”到了潜空间的去噪过程中。
    

---

## 五、 整体训练通路：全链路数学推导

现在我们将上述组件串联，描述 Stable Diffusion 的训练全过程。

### 1. 前向扩散（像素到潜空间的退化）

给定训练图像 $x$，先通过 VAE 得到 $z_0 = \mathcal{E}(x)$。

随后根据 DDPM 的加噪公式，在时间步 $t$ 生成带噪潜变量：

$$z_t = \sqrt{\bar{\alpha}_t} z_0 + \sqrt{1 - \bar{\alpha}_t} \epsilon, \quad \epsilon \sim \mathcal{N}(0, I)$$

### 2. 预测与损失函数（目标优化）

U-Net 网络 $\epsilon_\theta$ 接收三个输入：带噪潜变量 $z_t$、时间步 $t$、文本条件 $\tau(y)$。

其训练目标是预测注入的噪声 $\epsilon$：

$$\min_\theta \mathcal{L}_{LDM} = \mathbb{E}_{x, y, \epsilon, t} \left[ \left\| \epsilon - \epsilon_\theta(z_t, t, \tau(y)) \right\|_2^2 \right]$$

**详细步骤拆解：**

1. **采样图像 $x$**。
    
2. **编码图像**：$z_0 = \text{VAE\_Encode}(x)$。
    
3. **采样时间步**：$t \in \{1, \dots, T\}$。
    
4. **生成噪声**：$\epsilon \sim \mathcal{N}(0, I)$。
    
5. **前向加噪**：计算 $z_t$（利用重参数化技巧）。
    
6. **编码文本**：$c = \text{CLIP\_Text\_Encode}(y)$。
    
7. **前向传播**：$\hat{\epsilon} = \text{U-Net}(z_t, t, c)$。
    
8. **反向传播**：更新 U-Net 参数 $\theta$。
    

---

## 六、 推理/采样通路：无分类器引导 (CFG)

在推理时，我们需要从纯噪声 $z_T \sim \mathcal{N}(0, I)$ 开始，逐步迭代到 $z_0$。

### 1. CFG 的数学推导

为了增强文本的一致性，使用 Classifier-Free Guidance (CFG)。其核心思想是：**在无条件和有条件之间进行线性插值**，以增强条件信号同时保留一定的多样性。

$$\tilde{\epsilon}_\theta(z_t, t, c) = \epsilon_\theta(z_t, t, c_{\text{null}}) + s \cdot (\epsilon_\theta(z_t, t, c) - \epsilon_\theta(z_t, t, c_{\text{null}}))$$

- 其中 $s$ 是引导强度（Guidance Scale），通常在 $1.0 \sim 10.0$ 之间
- $c_{\text{null}}$ 是空字符串的 CLIP 编码（对应无条件生成）
- 当 $s = 1$ 时，退化为普通条件预测；$s$ 越大，条件引导越强

**直觉**：CFG 本质上是在估计**条件梯度** $\nabla_z \log p(c|z)$。方向指向高条件概率的区域。

### 2. 采样流程

经过 $T$ 步迭代得到 $z_0$ 后，通过 VAE 的解码器还原为图像：

$$x_{\text{gen}} = \mathcal{D}(z_0)$$

**Algorithm: Stable Diffusion Sampling**

1. **初始化**：$z_T \sim \mathcal{N}(0, I)$
2. **文本编码**：$c = \text{CLIP\_Text\_Encode}(y)$
3. **迭代去噪**：对 $t = T, T-1, \dots, 1$：
   - 预测噪声：$\epsilon = \epsilon_\theta(z_t, t, c)$
   - CFG 修正：$\tilde{\epsilon} = \epsilon + s \cdot (\epsilon - \epsilon_\theta(z_t, t, c_{\text{null}}))$
   - 更新：$z_{t-1} = \text{denoise}(z_t, \tilde{\epsilon}, t)$
4. **解码**：$x_{\text{gen}} = \mathcal{D}(z_0)$

---

## 七、 总结：Stable Diffusion 的严谨定义

> **Stable Diffusion 是一个基于潜空间扩散的生成模型。它利用 VAE 实现感知压缩，解决计算开销问题；利用 CLIP 实现多模态对齐，解决控制问题；利用 U-Net 的 Cross-Attention 机制在低维潜空间内执行受条件的去噪逆过程。其本质是在概率分布的对数梯度（Score Function）引导下，从高斯分布向特定语义分布的映射。**

---