Language
Country/Area
No result found
穩定擴散的起源故事：這個革命性模型是如何誕生的？
隨著人工智慧技術的飛速發展，穩定擴散（Stable Diffusion）作為一種深度學習的文本到圖像模型，於2022年正式發布，迅速在社群中引起了廣泛關注。這一革命性的模型不僅能基於文字描述生成詳盡的圖像，還能應用於其他如修補（inpainting）、擴展（outpainting）等多種任務。
穩定擴散的背後，是德國慕尼黑路德維希·馬克西米連大學的CompVis團隊以及Runway的研究人員共同合作的成果。該模型的開發得到了Stability AI的支持，並採用了來自非營利組織的大量訓練數據，使得這一創新竟能在大多數消費者硬體上運行，這與以往僅透過雲服務訪問的專有文本到圖像模型如DALL-E和Midjourney形成了鮮明的對比。
穩定擴散的出現，標誌著人工智慧的一場新革命，或許未來將引領更創新與便捷的創作方式。
開發過程
穩定擴散最初源於一個名為“潛在擴散”（Latent Diffusion）的項目，由慕尼黑路德維希·馬克西米連大學及海德堡大學的研究人員開發。該項目的四位原始作者在隨後加入了Stability AI，並發布了穩定擴散的後續版本。而CompVis團隊則發佈了該模型的技術許可證。
開發團隊的核心成員包括Runway的Patrick Esser及CompVis的Robin Rombach，他們在早期便發明了穩定擴散所採用的潛在擴散模型架構。該項目還得到EleutherAI及LAION（負責整理穩定擴散訓練數據的德國非營利組織）的支持。
技術架構
穩定擴散模型採用一種稱為潛在擴散模型（Latent Diffusion Model, LDM）的架構，這一技術於2015年被提出，目的是通過逐步去除高斯噪聲來訓練模型。此過程涵蓋了圖像從像素空間壓縮至較小的潛在空間，進而捕捉圖像更基本的語義意義。
穩定擴散由三個部分組成：變分自編碼器（VAE）、U-Net及可選的文本編碼器。
VAE編碼器將圖像壓縮至潛在空間，而U-Net則將輸出的潛在表示進行去噪。最終，VAE解碼器再將該表示轉換回像素空間。這一過程中的去噪步驟可以靈活地依據文字、圖像或其他模態進行調整。
訓練數據與程序
穩定擴散在LAION-5B數據集中接受訓練，該數據集是涵蓋了50億圖像-文本對的公開數據集，並依據語言進行篩選。訓練的最新版本SD 3.0，標誌著核心架構的全面革新，採用了改進的解析結構，並增強了生成的細緻度和精確度。
使用及爭議
穩定擴散模型允許用戶生成全新的圖像，並能根據文本提示修改現有圖像。不過，此技術在知識產權及道德上的使用也引發了一些爭議，尤其是模型的初步訓練數據中包含了大量的私密及敏感資訊。此外，由於模型主要使用英文數據訓練，這也使得生成圖像在不同文化背景下可能存在偏見。
穩定擴散是否能平衡技術應用與社會影響，將是一個待解決的課題，而這正是未來發展的重要考驗？
