【基础篇】Stable Diffusion 基础原理详述
前言
我认为学习 ComfyUI 应该先从理论学起。
与传统绘图工具（如 Photoshop 或 Figma）相比，AI 绘图工具有着显著不同。首先，许多设置和操作在 AI 绘图工具中是非可视化的，这意味着即使你更改了某个配置，界面上也未必会有任何变化，这使得自学变得更加困难，难以像学习 Figma 那样通过自主探索来掌握。其次，AI 绘图工具的结果具有随机性，即使完全按照别人的教程操作，你也可能无法得到相同的结果，这更容易让人产生挫败感。
那有没有什么解决方案呢？
在我看来，学习这种工具的第一步并不是直接学习如何操作，而是应该先掌握与 AI 相关的理论知识。一旦你理解了这些基础知识，就能够明白这些绘图工具上的各种设置及用途，还能举一反三，开发出更多的使用方法。
因此，基础篇教程将从 Stable Diffusion 的基本概念入手。在你掌握了 Stable Diffusion 的基础知识后，我将进一步讲解如何使用 ComfyUI，这样你就能够真正理解其原理和应用。
目录
1.Stable Diffusion 原理概述
2.Image Information Creator（图像信息生成器）
3.Image Decoder（图片解码器）
4.Text Encoder（文本编码器）
5.总结
Stable Diffusion 原理概述
为了便于理解，我将尽量减少涉及数学和公式的部分，并采用类比的方式来帮助你掌握一些概念。因此，可能会出现一些不够严谨的地方。如果你有更好的解释，欢迎在评论区留言，我们一起讨论。
Stable Diffusion并非是一个单独的模型，而是由多个模型组合起来的一个体系。我将用最基本的文生图工作流来解释Stable Diffusion的基本结构和原理。
当我们输入一句提示词（1gril,sea,sky,sun,clothes）之后，Stable Dissusion将生成一张一个女孩在海边享受阳光的图。
实际上，整个生成过程包括三个主要步骤。我会先概述这三个步骤，让大家对 Stable Diffusion 有一个整体的认识，然后再详细讲解其中的细节：
- 首先，用户输入的 Prompt 会经过一个称为 Text Encoder（文本编码器）的模型，将其编译成词特征向量。这一步生成 77 个等长的向量，每个向量有 768 个维度。可以先简单地理解为「将人类能理解的文本转化为计算机能够识别的数字串」，后面我会详细解释这些向量的作用。
- 接着，这些特征向量会与一张随机图像（布满噪声的图像）一同放入 Image Information Creator。此时，计算机会将特征向量和随机图像转换到一个 Latent Space（潜空间），并通过特征向量的指导将随机图像“降噪”成一个“中间产物”。尽管这个“中间产物”目前对人类来说是无法理解的“图像”，只是一组数字，但它包含的信息实际上已经描绘了一个女孩在海边享受阳光。
- 最后，这个中间产物会被 Image Decoder（图片解码器）解码成一张人眼可以分辨的图片。
总体流程可以简单理解为：用户输入了一段 Prompt 指令，计算机会根据这个指令，在潜空间里将一张随机图降噪成符合指令要求的图片。
整个过程，与其说是 AI 在「生成」图片，不如说是「雕刻」更贴切。就像米开朗基罗在完成大卫雕像后所说的那样：雕像原本就存在于石头中，我只是将多余的部分去掉。
通过上图可以清晰的看出ComfyUI的生图过程。如图所示，ComfyUI生图时会分多次对图片进行「降噪」，这个过程发生在潜空间里，ComfyUI只是将最后一次降噪的结果解码成照片。
Image Information Creator（图像信息生成器）
接着上面所说，我们来详细分析一下降噪这个过程。
首先，整个降噪过程会在一个潜空间（Latent Space）中进行，并经过多步降噪。这些步骤（Steps）可以自己设置，通常步骤越多，图片质量越高，同时生图所需的时间也会更长。当然，这也取决于模型的性能。例如，Stable Diffusion XL Turbo 能在1步内生成图像，耗时不到1秒，并且生成的图片质量相当不错。那这个过程到底是怎么样的呢？如果我们将整个Denoise过程可视化，如下所示：
上图看起来很复杂，但不用害怕，只要懂得基本的加减乘除，我们就能理解每个降噪步骤：
- 首先，在降噪过程中有一个名为 Noise Predictor（噪音预测器）的模型，它的作用是预测随机图中的噪音成分。除了输入随机图像和 Prompt 的词特征向量外，还需要输入当前步骤的序号。在上面的可视化流程中，你可能会看到多个降噪步骤，但实际上程序运行的始终是同一个降噪模型，因此需要将步骤序号告知噪音预测器，以便它了解当前进行到哪一步。
- 接下来，我们先来看蓝色的线条，Noise Predictor 会使用随机图（例如一张 512*512 的图）和 Prompt 的词特征向量来预测出一张噪声图 B。注意，这里不是实际输出的图像，而是一张噪声图。换句话说，Noise Predictor 根据词向量来预测这张随机图中有哪些不需要的噪声。如果用前面雕刻的例子来类比，它输出的是雕像制作中不需要的废料。同时，Noise Predictor 还会使用不包含 Prompt 的词特征向量来预测出另一张噪声图 C（图中的橙色线条）。
注意：如果你想要改变最终生成图像的大小，例如将512*512改为1024*1024，不是通过提示词下达指令修改，而是通过修改随机图的比例或大小。就好比前面举得“雕刻”的例子，用 1 立方米的石头进行雕刻，不管雕刻师技艺有多好，都没法雕刻出一个高 10 米的雕像。它最多只能雕刻一个高 1 米的雕像。
- 接着，降噪步骤会将噪音图 B 和噪音图 C 相减，得到图 D。我们可以用简单的数学来解释这张图的意义。首先，图 B 是通过 Prompt 和随机图预测的噪声，可以简单理解为包含「根据 Prompt 预测的噪声」和「根据随机图预测的噪声」，而图 C 则仅包含「根据随机图预测的噪声」。因此，B 减去 C，就得到「根据 Prompt 预测的噪声」。
- 然后，降噪过程会将噪声图 D 通过乘以一个系数放大，这个系数在 Stable Diffusion 设置中被称为CFG。接着，将放大后的图与噪声图 C 相加，得到图 E。这样做的目的是提高图片生成的准确性，通过增加「根据 Prompt 预测的噪声」的权重来确保生成的图像与 Prompt 更加相关。如果没有这一步，生成的图片可能与 Prompt 的关联度较低。这种方法被称为 Classifier Free Guidance（无分类引导法）。
- 最后，降噪过程会将图 A 减去图 E，得到一张新的图像。这就像之前提到的“雕刻”过程，通过去除不需要的噪声来精炼图像。
如果你使用过 Stable Diffusion 工具，你会注意到 Prompt 输入框有两个，一个是正向的，一个是负向的。那么负向的 Prompt 如何起作用呢？用上面的数学方法来简单解释，当输入负向 Prompt 时，会生成一张噪声图 B2。此时，我们会用正向 Prompt 生成的噪声图 B1 减去 B2，然后再减去 C 得出 D。这意味着最终生成的图片会更加远离 B2，因为去除了更多与 B2 相关的噪声。
Image Decoder（图片解码器）
接下来，我们来讨论一下潜空间（Latent Space）。在学习这个概念时，我最大的疑惑是，为什么要在潜空间中进行处理，而不是直接对图像进行降噪？
要回答这个问题，首先需要理解什么是潜空间。
潜空间是机器学习和深度学习中用于表示数据的低维空间。它通过对原始数据进行编码和降维而生成的一组潜在变量。潜空间的维度通常比原始数据低，因此可以提取出数据中最关键的特征和结构。
虽然看起来很复杂，但简单来说，潜空间将图片编码成一组数字，同时对这些数字进行压缩。让我们通过可视化的方式来看看这个过程：
图片会首先通过一个图像编码器（Image Encoder）被编码成一组数据，并进行压缩。如果从像素的角度来衡量这种数据压缩效果，原始图像可能是 512x512 像素，而压缩后变为 64x64 像素，数据量大幅减少。然后再使用图像解码器（Image Decoder）进行还原。这个编码器和解码器组合的组件被称为变分自编码器（Variational Auto Encoder），简称 VAE。因此，图像解码器在一些产品中也称为 VAE 解码器。
那使用这个技术有什么益处和弊处呢？
益处：
- 首先，效率得到了极大提升。使用 VAE 后，即使是民用 GPU 也能以相对较快的速度完成降噪运算。同时，模型的训练时间也会显著缩短。
- 此外，潜空间的维度通常远低于原始图像的维度，这意味着它能更高效地表示图像特征。通过在潜空间中进行操作和插值，可以更精细地控制和编辑图像。这使得在生成图像时，可以更好地掌控图像的细节和风格，从而提升生成图像的质量和逼真度。
弊处：
- 编码和还原数据的过程中会导致一些数据丢失。由于潜空间的维度较低，它可能无法完全捕捉原始数据中的所有细节和特征，最终导致还原后的图片显得有些奇怪。
为什么 Stable Diffusion 生成的图片中的文字通常看起来很奇怪呢？原因有两方面。一方面，文字的一些 细节特征在这个过程中丢失了。另一方面，在预测噪声时，文字的预测相比图像的预测不那么连贯。例如， 预测猫的特征相对简单，因为猫通常有两个眼睛，眼睛下是鼻子，这些特征是连贯的。而英文单词“Cat”和中文字符“猫”差别很大，且很难预测。例如，中文的笔画大多由横、竖、勾、撇、捺组成，但很难预测撇之后是什么。
Text Encoder（文本编码器）
在最前面的流程中，我提到过，Text Encoder（文本编码器）会将你输入的 Prompt 编译成词特征向量。这一步会生成77个等长的向量，每个向量包含768个维度。那么这些向量具体有什么作用呢？
还有一个更有趣的问题是，当我们在 Prompt 中只输入“Cat”，并没有加入“stripe”这个词，为什么最后生成的猫是有斑点条纹的呢？要回答这个问题，我们需要先理解 Text Encoder 的实现原理。
目前，Stable Diffusion 常用的 Text Encoder 是 OpenAI 开源的 CLIP 模型，全称为对比语言图像预训练（Contrastive Language Image Pre-training）。我们先画个图来解释一下：
首先，CLIP 模型包含一个 Text Encoder，用于将文本转换为特征向量。同时，它还有一个 Image Encoder，将图像也转换成特征向量。如果这两个向量越接近，意味着文本描述与图像内容越匹配；相反，如果向量距离越远，则表明两者的相关性越低。
OpenAI 用 4 亿组图片和文本对对 CLIP 模型进行了训练，最终效果如图所示。当我们输入图片描述时，CLIP 能识别出与描述最接近的图片。例如，第四行描述为“一张斑点猫面部照片”，与第四张图片的相似度最高，达到 0.31，而与第一张书本截图的相似度仅为 0.12。
回到 Stable Diffusion，我们只使用了 CLIP 的 Text Encoder 部分，因为它能够将文本转换为对应的特征向量，并且这些特征向量与现实中的图像存在相关性。
再回到之前提到的两个问题，其实它们互为答案。
为什么当我们输入 "Cat" 时，生成的图像很可能是一只橘猫或斑点猫？这是因为 Text Encoder 将 "Cat" 转换成的 77 个等长向量 Embedding 中包含了与 "Cat" 相关的一些特征和意义：
- 形态特征：向量表示可能会捕捉到 "Cat" 的形态特征，例如它的体型、头部形状、四肢位置等。这些特征有助于区分 "Cat" 与其他动物或物体。
- 视觉特征：向量表示可能包含 "Cat" 的视觉特征，例如颜色、斑纹、眼睛的形状等。这些特征有助于识别 "Cat" 的外观特点。
- 语义含义：向量表示可能包含与 "Cat" 相关的语义信息，例如它是一种宠物、一种独立的动物，以及与人类的亲密关系等。这些含义有助于理解 "Cat" 在人类文化和社会中的角色和意义。
请注意，由于模型在某些方面具有不可解释性，这些向量实际上不一定包含上述特征。我举这些具体的例子主要是为了更好地解释这个概念。
最后，由于在 Stable Diffusion 中只使用了 CLIP 的 Text Encoder 部分，所以在某些产品中，它被称为 CLIP Text Encoder 或 CLIP Text Encode。
为什么在使用 Stable Diffusion 或 Midjourney 时，输入的 Prompt 不需要考虑语法且对大小写不敏感呢？这是因为这些 Prompt 会被 Text Encoder 转换成特征向量。语法和大小写在转换成特征向量后，都会变成 一串数字，这些细节在没有对模型进行特别调整的情况下，影响不大。
总结
感谢你阅读完这篇关于 Stable Diffusion 的基础详细解释。相信我，掌握了这些基础概念后，你会发现学习 ComfyUI 变得更加轻松。
孜孜以求，方能超越自我。坚持不懈，乃是成功关键。
