Latent Diffusion
潜在扩散模型（Latent Diffusion Models）通过将扩散过程转移到压缩的潜在空间，大幅降低计算成本，成为Stable Diffusion等主流图像生成工具的基石。
一句话解释
Latent Diffusion是一种在压缩的潜在空间（而非原始像素空间）中执行扩散过程的生成模型，它先用编码器将图像压缩为低维潜在表示，再通过去噪生成新内容，最后用解码器还原为图像。
为什么会被关注
传统扩散模型直接在像素空间操作，需要极高的计算资源和内存，难以部署。Latent Diffusion通过引入潜在空间压缩，将计算复杂度降低数个数量级，使得普通人也能在消费级GPU上快速生成高分辨率图像。
它还是Stable Diffusion、Midjourney等热门工具的核心引擎，让AI绘画从实验室走进大众视野。此外，该技术对视频生成、3D建模等领域的效率提升同样显著，因此备受开发者与创作者关注。
核心逻辑
Latent Diffusion包含两个阶段：首先用预训练的VAE（变分自编码器）将图像编码为低维潜在特征图，保留关键语义信息的同时压缩尺寸。然后在潜在空间进行前向加噪和反向去噪训练，学习如何从噪声恢复出有意义的潜在表示。
推理时，随机采样一个潜在噪声，通过去噪网络（通常是U-Net）逐步去除噪声，同时可加入文本或图像条件引导生成方向。最后用VAE解码器将潜在表示还原为清晰图像，整个过程可控且高效。
常见场景
最广泛应用是AI图像生成与编辑，如Stable Diffusion系列、DALL·E 3等工具，用户输入文本即可生成符合描述的图片。也用于图像修复、超分辨率、风格迁移等任务，只需修改条件输入即可。
在视频领域，Latent Diffusion被扩展用于逐帧生成或插帧，代表模型如Stable Video Diffusion。3D内容生成中，可将潜在扩散与神经辐射场结合，从文本或单张图片生成三维模型。
容易混淆的点
Latent Diffusion常被误认为就是Stable Diffusion。实际上Stable Diffusion是Latent Diffusion的一个具体实现，包含特定的VAE与文本编码器配置，而Latent Diffusion是一种更通用的模型架构。
另一个混淆点是“潜在空间”与“像素空间”。有人以为Latent Diffusion是在特征空间直接生成最终图像，其实它生成的是压缩的潜在表示，最终还需解码器映射回像素空间，两者并非同一维度。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词Stable Diffusion是一种开源的潜在扩散模型，能够根据文本描述生成高质量的图像。它通过将图像生成过程分解为逐步去除噪声的步骤，实现了从随机噪声到目标图像的转换。
VAE（Variational Autoencoder）是一种将自编码器与概率建模结合的生成模型。它不仅能把复杂数据压缩到低维空间，还能从这个空间中采样生成全新的、合理的样本，广泛应用于图像生成、异常检测和分子设计等场景。
扩散模型是一种通过逐步去除噪声来生成数据（如图像、音频）的生成式AI模型。它模仿了物理中的扩散过程，先将数据“打散”成噪声，再学习如何逆向“重建”出清晰、高质量的内容。