前言
事先聲明！本文沒(méi)有苦澀難懂的各種專業(yè)術(shù)語(yǔ)和代碼公式，請(qǐng)大家放心食用！！
在過(guò)去的一年里，AIGC在繪畫(huà)領(lǐng)域的蓬勃發(fā)展對(duì)設(shè)計(jì)行業(yè)的沖擊相信大家都有目共睹。各個(gè)公司都在要求設(shè)計(jì)師必須會(huì)使用 AIGC 的相關(guān)工具，其中以 Stable Diffusion 為基礎(chǔ)的系列工具和 Midjourney 應(yīng)用范圍最廣。AI繪畫(huà)領(lǐng)域能夠取得如此巨大的進(jìn)展，很大的功勞要?dú)w屬于Stability AI發(fā)布了開(kāi)源的Stable Diffusion。它除了降低硬件要求，使其可以在相對(duì)普通的硬件上運(yùn)行外。也正是因?yàn)樗拈_(kāi)源性，應(yīng)運(yùn)而生的相關(guān)研究和為了更好控制模型的各種插件才發(fā)展的尤為繁榮。本文也 將從 Stable Diffusion 從發(fā)，聊一聊它的工作原理，希望能夠幫助大家更好的理解和使用它。
為什么需要了解 SD 的工作原理
在使用 Stable Diffusion相關(guān)工具時(shí)，并非一定需要了解它的工作原理，但了解它對(duì)后續(xù)的使用會(huì)很有幫助。當(dāng)遇到生成圖片質(zhì)量低，各種參數(shù)不知道怎么調(diào)整時(shí)，不會(huì)舉手無(wú)措。因?yàn)槟銜?huì)知道它的配置參數(shù)比如：種子、采樣器、步數(shù)、CFG 比例或去噪強(qiáng)度等是如何去影響最終生成圖片的，能夠幫助我們自定義調(diào)整算法以適應(yīng)特定的設(shè)計(jì)需求和偏好，從而生成更符合預(yù)期的視覺(jué)內(nèi)容。
在接下來(lái)的內(nèi)容中，我會(huì)通過(guò)類比的方式讓大家了解 Stable Diffusion的內(nèi)部工作原理，以及它是如何能夠通過(guò)提示詞、圖像參考等輸入條件來(lái)生成各種創(chuàng)意圖像的，再次強(qiáng)調(diào)本文沒(méi)有苦澀難懂的各種專業(yè)術(shù)語(yǔ)和代碼公式，幾乎適合所有人。如果你在使用 Stable Diffusion 生圖得時(shí)候，出圖總是差強(qiáng)人意，相信看完這篇文章會(huì)對(duì)你有很大的幫助。
生成式模型的發(fā)展
生成模型發(fā)展初期主要是基于生成對(duì)抗網(wǎng)絡(luò)(GAN)，但在2021年隨著擴(kuò)散模型性能的顯著提升和生成質(zhì)量的大幅度改進(jìn)逐漸成為主流。因?yàn)樗咏说乃季S模式，能夠?qū)崿F(xiàn)更自然和多樣化的生成內(nèi)容。與傳統(tǒng)的GAN相比，擴(kuò)散模型在生成樣本的質(zhì)量、多樣性和穩(wěn)定性上具有一定的優(yōu)勢(shì)。并且在跨模態(tài)應(yīng)用中表現(xiàn)出色，例如OpenAI的GLIDE和DALL·E 2、谷歌的Imagen、以及Stability AI的Stable Diffusion等都是基于擴(kuò)散模型的應(yīng)用，凸顯了它在文本到圖像生成中的強(qiáng)大能力。下面我們先來(lái)介紹一下兩者的工作原理，放心你一定能看懂！
生成對(duì)抗網(wǎng)絡(luò)(GAN)的工作原理
生成對(duì)抗網(wǎng)絡(luò)（GAN）是由兩部分組成的深度學(xué)習(xí)模型，它的核心思想是讓兩個(gè)網(wǎng)絡(luò)一個(gè)生成器（Generator）和一個(gè)判別器（Discriminator）相互對(duì)抗，以此來(lái)提高生成數(shù)據(jù)的質(zhì)量。
接下來(lái)我們用設(shè)計(jì)師做比喻來(lái)解釋一下生成對(duì)抗網(wǎng)絡(luò)（GAN）的工作原理，想象一個(gè)由兩位設(shè)計(jì)師組成的團(tuán)隊(duì)：一位是設(shè)計(jì)實(shí)習(xí)生（生成器），另一位是設(shè)計(jì)總監(jiān)（判別器）。他們相互配合完成客戶所要求的視覺(jué)作品。
設(shè)計(jì)實(shí)習(xí)生（生成器）:
實(shí)習(xí)生的職責(zé)是創(chuàng)造出新的視覺(jué)作品，比如海報(bào)、廣告等。他的要求是制作出讓客戶滿意漂亮的作品，以至于讓客戶相信是出自一位設(shè)計(jì)大師之手。
在初始階段他的作品可能看起來(lái)比較生硬和不自然，很容易被識(shí)別出是新手做的。
設(shè)計(jì)總監(jiān)（判別器）:
總監(jiān)主要是評(píng)價(jià)實(shí)習(xí)生的作品，并判斷它畫(huà)面是否和諧，字體、顏色等設(shè)計(jì)是否合理?？偙O(jiān)具備視覺(jué)鑒賞的敏感眼光，能夠識(shí)別出畫(huà)面中的問(wèn)題。
他的目標(biāo)是確保提交的方案在視覺(jué)上沒(méi)有問(wèn)題，畫(huà)面表達(dá)符合客服要求，保持高質(zhì)量的方案產(chǎn)出。
工作流程:
第一步: 設(shè)計(jì)實(shí)習(xí)生提交他的初步設(shè)計(jì)給設(shè)計(jì)總監(jiān)。早期的設(shè)計(jì)可能很容易出現(xiàn)視覺(jué)上的問(wèn)題，因?yàn)槿狈ぷ鹘?jīng)驗(yàn)和設(shè)計(jì)技法，需要不斷地學(xué)習(xí)。
第二步: 設(shè)計(jì)總監(jiān)審核這些設(shè)計(jì)，并提供反饋，指出畫(huà)面哪些部分有問(wèn)題或者沒(méi)有很好的表達(dá)客戶的需求。在這個(gè)過(guò)程中會(huì)逐漸提高對(duì)實(shí)習(xí)生的要求。
第三步: 設(shè)計(jì)實(shí)習(xí)生根據(jù)這些反饋調(diào)整他的創(chuàng)作方法，學(xué)習(xí)新的技術(shù)，嘗試改進(jìn)他的畫(huà)面，讓它們更加精細(xì)美觀，能夠更好的表達(dá)客戶的需求。
重復(fù): 這個(gè)過(guò)程不斷重復(fù)，實(shí)習(xí)生不斷改進(jìn)他的作品，而總監(jiān)也在不斷提高對(duì)實(shí)習(xí)生的作品的視覺(jué)要求。
結(jié)果:
經(jīng)過(guò)多次迭代后，如果實(shí)習(xí)生能夠創(chuàng)造出，即使是非常有經(jīng)驗(yàn)的設(shè)計(jì)總監(jiān)都難以挑出問(wèn)題的作品。到這一步就可以說(shuō)生成對(duì)抗網(wǎng)絡(luò)（GAN）已經(jīng)訓(xùn)練完成了，生成器（設(shè)計(jì)實(shí)習(xí)生）已經(jīng)能夠制作出足夠優(yōu)秀的視覺(jué)作品，判別器（設(shè)計(jì)總監(jiān)）的審美和視覺(jué)評(píng)判能力也得到了提升。通過(guò)兩者不斷地提高要求，GAN用于視覺(jué)生成，能夠產(chǎn)生質(zhì)量非常高的圖像。
生成對(duì)抗網(wǎng)絡(luò)(GAN)被逐漸放棄的原因
與GAN不同，擴(kuò)散模型就像是擁有明確方向且穩(wěn)定的設(shè)計(jì)團(tuán)隊(duì)，通過(guò)漸進(jìn)式的優(yōu)化逐步達(dá)成高質(zhì)量的設(shè)計(jì)效果。下面我們繼續(xù)來(lái)看一下擴(kuò)散模型的工作原理。
擴(kuò)散模型（Diffusion Models） 的工作原理
擴(kuò)散模型之所以這樣命名，是因?yàn)樗纳蛇^(guò)程和物理學(xué)上的分子擴(kuò)散過(guò)程非常相似，就像把冰融化為水再把水凍結(jié)成冰，水會(huì)在這個(gè)過(guò)程中逐漸移動(dòng)和擴(kuò)散。
擴(kuò)散模型也是由主要的兩個(gè)步驟組成，正向擴(kuò)散和反向擴(kuò)散，正向擴(kuò)散是逐步增加噪聲直至原始圖像沒(méi)有任何可以辨別的特征，反向擴(kuò)散是逐步去除噪聲直至恢復(fù)原始的數(shù)據(jù)讓畫(huà)面可辨認(rèn)。
看不懂沒(méi)有關(guān)系，同樣我們做個(gè)比喻，比如用文物修復(fù)師的角色來(lái)形容擴(kuò)散模型的工作原理，文物修復(fù)師的工作是修復(fù)一件經(jīng)歷了嚴(yán)重?fù)p壞的古老珍貴文物。
損壞模擬（正向擴(kuò)散的加噪過(guò)程）：
修復(fù)師修復(fù)文物的時(shí)候，首先需要完全了解損壞的過(guò)程。因此他采取了一個(gè)看似逆向的方法：他先對(duì)一個(gè)完好無(wú)損的相似文物進(jìn)行人工老化和損壞處理，逐步施加各種損害，比如裂紋、掉漆、褪色等，模擬多年來(lái)可能發(fā)生的自然磨損。
這個(gè)過(guò)程相當(dāng)于擴(kuò)散模型中的正向過(guò)程，即逐步增加噪聲。這里的“噪聲”不是字面意義上的聲音，而是指對(duì)文物中的各種損壞因素（裂紋、掉漆、褪色等），讓它從完好的狀態(tài)逐漸變?yōu)橥耆珦p壞的狀態(tài)。
文物修復(fù)（反向擴(kuò)撒的去噪過(guò)程）：
接下來(lái)就到了修復(fù)師把老化的文物恢復(fù)到它原始未受損的狀態(tài)。這需要非常高超的技術(shù)和對(duì)文物原始狀態(tài)的深刻理解。修復(fù)師會(huì)使用各種工具和化學(xué)物質(zhì)，仔細(xì)地去除每一處人為的損壞，包括填補(bǔ)裂縫、重新上色、并修復(fù)褪色和磨損的部分。
這一過(guò)程對(duì)應(yīng)擴(kuò)散模型中的逆向過(guò)程，即逐步去除噪聲。在這里，“去除噪聲”意味著修復(fù)師在消除之前刻意添加的所有損壞的同時(shí)，逐步還原文物的原始狀態(tài)。
噪聲：
在這個(gè)過(guò)程中，"噪聲"指的是刻意施加到文物上的各種損壞因素。
這些“噪聲”被有計(jì)劃地逐步加入到文物的破壞中，來(lái)模擬文物被隨機(jī)破壞。這個(gè)過(guò)程的目的是，在修復(fù)訓(xùn)練中創(chuàng)建一個(gè)從完全有序到完全無(wú)序的連續(xù)過(guò)程，以便文物修復(fù)師學(xué)習(xí)如何把隨機(jī)破壞的文物重新恢復(fù)出完好的、精美的原始狀態(tài)。
噪聲預(yù)測(cè)器和采樣：
噪聲預(yù)測(cè)器和采樣在反向擴(kuò)散中是不可或缺的關(guān)鍵技術(shù)。
噪聲預(yù)測(cè)器可以想象成一個(gè)高級(jí)的診斷工具，文物修復(fù)師使用它來(lái)分析藝術(shù)品的損壞程度和類型。這個(gè)工具能夠精確地確定每一處損傷的位置、深度和影響，為修復(fù)工作提供依據(jù)。
采樣過(guò)程可以視為修復(fù)過(guò)程中的實(shí)際操作步驟，每一步操作都基于噪聲預(yù)測(cè)器提供的數(shù)據(jù)。由于解決某一個(gè)破損的問(wèn)題有很多種方法，所以采樣的實(shí)際操作步驟也可以分為很多種。對(duì)應(yīng)到模型中就是各種采樣器，比如：Euler， Euler Ancestral， DDIM， DPM++ 2M Karras等。再簡(jiǎn)單點(diǎn)來(lái)說(shuō)，比如同一道數(shù)學(xué)題有多種解法，每一種解法就是一個(gè)個(gè)的采樣器。
通過(guò)上面的形容，把擴(kuò)散模型的“加噪”和“去噪”用文物修復(fù)的過(guò)程來(lái)描述，相信大家應(yīng)該都懂了，其中文物修復(fù)師不僅要理解文物人為加速老化過(guò)程，還要掌握如何從極端損壞中恢復(fù)出文物的原始狀態(tài)。經(jīng)過(guò)這樣不斷的雙重過(guò)程，加上修復(fù)工具（噪聲預(yù)測(cè)器和采樣等）的使用，先破壞再修復(fù)的方式，能夠讓文物修復(fù)師的能力逐漸提升，達(dá)到高質(zhì)量還原文物的目的。回到擴(kuò)散模型，就是讓擴(kuò)散模型在不斷的加噪和去噪中不斷訓(xùn)練，提高模型的能力，讓其能夠生成更高質(zhì)量的圖片或其它逼真數(shù)據(jù)的目的。
我們經(jīng)常聽(tīng)到的Stable Diffusion，與擴(kuò)散模型（Diffusion Models）并不相等，擴(kuò)散模型是通用的底層技術(shù)。而Stable Diffusion是一種實(shí)現(xiàn)了特定技術(shù)應(yīng)用的擴(kuò)散模型，OK，下面我們繼續(xù)來(lái)看一下Stable Diffusion 的工作流程。
Stable Diffusion 的工作流程
Stable Diffusion雖然與擴(kuò)散模型的基本原理相同，但它更注重條件生成，名稱中的Stable（穩(wěn)定的）也強(qiáng)調(diào)了這一點(diǎn)，也正是因?yàn)闂l件生成的各項(xiàng)技術(shù)，才能讓模型更接近我們的想法來(lái)生成圖片，所以條件生成也是Stable Diffusion的核心功能。
條件生成
條件生成技術(shù)在視覺(jué)領(lǐng)域扮演著核心角色，我們最常使用的文生圖（Text-to-Image）就是其最基礎(chǔ)的功能之一， 除了文本到圖像的轉(zhuǎn)換。如圖像到圖像（Image-to-Image）、圖像修復(fù)（Inpainting）、圖像擴(kuò)展（Outpainting）以及深度到圖像（Depth-to-Image）等。這些技術(shù)都在各個(gè)不同的方向解決控制視覺(jué)和圖形的任務(wù)，下面來(lái)看一下它們具體是如何工作的。
文生圖（Text-to-Image）：文本到圖像的轉(zhuǎn)換
將文本轉(zhuǎn)換為計(jì)算機(jī)能夠理解的內(nèi)容是Stable Diffusion最基本的功能，也就是我們常說(shuō)的文生圖功能。它由以下幾部分組成。
分詞器（Embedding）：
由于計(jì)算機(jī)不能直接理解人類的語(yǔ)言，只能處理數(shù)字和符號(hào)。分詞器的任務(wù)是把我們?nèi)祟惖恼Z(yǔ)言轉(zhuǎn)換成計(jì)算機(jī)可以理解的數(shù)字表示。舉個(gè)例子，比如：“一只在草地上跳舞的貓”，經(jīng)過(guò)分詞器處理后可能是：‘一只’，‘在’，‘草地上’，‘跳舞’，‘的’，‘貓’。通過(guò)預(yù)先定義的詞匯表，將每個(gè)詞語(yǔ)映射成一個(gè)唯一的數(shù)字編號(hào)。比如：{‘一只’： 1，‘在’： 2， ‘草地上’： 3，‘跳舞’： 4，‘的’：5，‘貓’： 6}。
嵌入（Embedding）：
分詞器把文本處理好以后，嵌入將數(shù)字編號(hào)轉(zhuǎn)換為計(jì)算機(jī)可以處理的數(shù)字向量。嵌入向量可以讓模型理解文本的含義，并進(jìn)行后續(xù)的任務(wù)，例如文本分類、翻譯或圖像生成，也就是賦予詞匯意義。
語(yǔ)言-圖像對(duì)比預(yù)訓(xùn)練模型-CLIP（Contrastive Language-Image Pre-training）：
通過(guò)學(xué)習(xí)大量的圖像和對(duì)應(yīng)的文本描述，CLIP可以將兩者聯(lián)系在一起，使得模型能夠根據(jù)圖像找到相關(guān)的文本描述，根據(jù)文本描述找到相關(guān)的圖像。為計(jì)算機(jī)提供理解自然語(yǔ)言和視覺(jué)內(nèi)容之間關(guān)聯(lián)的能力，來(lái)指導(dǎo)圖像的生成。
類標(biāo)簽（Class Labels）
類標(biāo)簽作為條件信息，可以幫助模型生成特定類別的圖像。它作為一種補(bǔ)充信息能夠提高生成圖像的準(zhǔn)確性。比如：“一支鮮花插在牛糞上”，可以使用“花”這個(gè)標(biāo)簽來(lái)確保生成圖像中包含花的元素。還可以與特定的風(fēng)格相關(guān)聯(lián)，比如“漫畫(huà)風(fēng)格”“賽博朋克”等，或者與其他類別標(biāo)簽結(jié)合，比如：“賽博朋克風(fēng)格的花插在牛糞上”，模型可以學(xué)習(xí)到每個(gè)類標(biāo)簽與特定圖像風(fēng)格的關(guān)聯(lián)性，從而生成符合標(biāo)簽描述的風(fēng)格圖像。
雖然在Stable Diffusion中主要依賴于文本提示（prompt）來(lái)指導(dǎo)圖像生成，但類標(biāo)簽在某些應(yīng)用場(chǎng)景中可以進(jìn)一步加強(qiáng)生成圖像的準(zhǔn)確性和多樣性。
CFG Scale值（Classification Free Guidance Scale）
CFG Scale值是一種調(diào)節(jié)參數(shù)，它可以控制生成圖像多大程度上符合我們給的文本描述或其他條件，數(shù)值越大與提示詞的匹配度越高，反之越小。CFG Scale值的范圍一般在5到15之間，較高值通常在7-12可以生成更符合描述的圖像，較低在5以下，可以生成更具創(chuàng)意的多樣化圖像。在WebUI中CFG Scale值過(guò)高出現(xiàn)的過(guò)擬合現(xiàn)象，就是模型在盡可能的把提示詞中的元素全部畫(huà)出來(lái)，呈現(xiàn)的效果細(xì)節(jié)會(huì)非常多效果很差，這種情況是因?yàn)椴蓸拥牡綌?shù)不夠，不能夠畫(huà)出所有的細(xì)節(jié)，提高迭代步數(shù)你會(huì)發(fā)現(xiàn)畫(huà)面會(huì)比低CFG Scale值更加精細(xì)，畫(huà)面也不會(huì)出現(xiàn)崩壞，但出圖占用更多的算力，出圖時(shí)間很長(zhǎng)。
圖生圖（Image-to-Image）
圖生圖在Stable Diffusion中可以實(shí)現(xiàn)圖像風(fēng)格轉(zhuǎn)換、圖像修復(fù)、圖像擴(kuò)展、圖像編輯與變化、草圖到完整圖像等工作，它是以用戶提供初始圖像作為生成的基礎(chǔ)，模型從初始圖像開(kāi)始，逐步增加或去除噪聲，結(jié)合文本描述等其它條件逐漸從初始圖像變?yōu)榉夏繕?biāo)條件的最終圖像。
圖像深度（Depth-to-Image）
利用深度傳感器或者深度估計(jì)模型來(lái)生成圖像深度圖，把圖像的深度信息作為條件引導(dǎo)，可以讓模型理解圖像中各個(gè)物體到攝像機(jī)的距離，能夠更好地把握整個(gè)場(chǎng)景的幾何結(jié)構(gòu)，提高圖像的準(zhǔn)確性。
ControlNet
ControlNet 是一種神經(jīng)網(wǎng)絡(luò)，它以Stable Diffusion的U-Net架構(gòu)作為基礎(chǔ)，加入額外的網(wǎng)絡(luò)分支，用于處理特定的條件輸入?？梢岳斫鉃樵赟table Diffusion本身的條件輸入外加入額外的限制條件，ControlNet通過(guò)額外的控制輸入（如深度圖、姿態(tài)圖、草圖等），可以實(shí)現(xiàn)對(duì)圖像生成過(guò)程的精確控制。
潛在空間（Latent Space）
潛在空間在Stable Diffusion中起著連接高維圖像空間與條件信息的橋梁作用。
就像是PS，文本描述、類標(biāo)簽、ControlNet等就像是ps里的各個(gè)功能，并且設(shè)置好了動(dòng)作，然后點(diǎn)一下就生成圖像
我們可以把它看做是一個(gè)巨大的存滿各種各樣畫(huà)作的收藏館，這里的畫(huà)不是真正的畫(huà)，而是包含圖像主要特征的各種元素，就像一幅沒(méi)有拼起來(lái)的拼圖。Stable Diffusion是這個(gè)收藏館的管理員，文本描述、類標(biāo)簽、ControlNet 等就像是尋找指南，告訴管理員（Stable Diffusion）要尋找那一幅畫(huà)作，最終根據(jù)各種要求快速的找到符合描述的畫(huà)作。
變分自編碼器（Variational Autoencoder，簡(jiǎn)稱VAE）
VAE是一種生成模型，用于學(xué)習(xí)數(shù)據(jù)的潛在表示并生成類似的樣本。我們同樣以畫(huà)作收藏館做比喻來(lái)理解一下它，VAE是收藏館的理貨員，負(fù)責(zé)藏館的畫(huà)作的擺放和目錄的整理，它能夠幫助管理員（Stable Diffusion）快速找到目標(biāo)畫(huà)作，由于畫(huà)作是一個(gè)個(gè)拼圖塊，它還需要將其拼成完整的圖像交給管理員。在Stable Diffusion的工作流程中，VAE起著潛在空間和擴(kuò)散模型之間的橋梁作用。
工作流程
潛在噪聲張量生成：基于固定或隨機(jī)種子生成具有潛在噪聲的張量；文物修復(fù)師拿到一件被破壞掉的文物，這是他開(kāi)始工作的基礎(chǔ)。
條件嵌入生成：將文本描述、深度圖或類標(biāo)簽等條件信息轉(zhuǎn)換為嵌入向量，以多個(gè)維度存儲(chǔ)特征。文本描述、深度圖、類標(biāo)簽等就像修復(fù)師的修復(fù)指南，幫助他知道文物原來(lái)樣子。
CLIP Transformer處理：使用交叉注意力技術(shù)計(jì)算嵌入向量之間的關(guān)系，提供圖像生成的指導(dǎo)。CLIP Transformer就像修復(fù)師的“詳情說(shuō)明書(shū)”，將修復(fù)指南轉(zhuǎn)化為詳細(xì)的修復(fù)步驟。
U-Net去噪過(guò)程：U-Net根據(jù)CLIP Transformer的結(jié)果引導(dǎo)去噪過(guò)程，以逐步生成符合目標(biāo)描述的潛在向量。U-Net就像修復(fù)師，根據(jù)轉(zhuǎn)換好的詳情說(shuō)明逐步還原被破壞的文物，讓它逐漸顯露出文物完好的形象。
采樣與噪聲調(diào)度器：采樣算法生成噪聲并從初始張量中減去，噪聲調(diào)度器控制去噪的非線性進(jìn)度。采樣算法和噪聲調(diào)度器就像修復(fù)師的“工作計(jì)劃”，決定每次修復(fù)的細(xì)節(jié)和順序。
VAE與潛在空間：
編碼器：VAE編碼器將原始圖像壓縮成潛在向量，形成潛在空間中的索引。VAE編碼器就像修復(fù)師的“修復(fù)指南目錄”，負(fù)責(zé)將文物的形象特征記錄下來(lái)。
潛在空間：存儲(chǔ)由編碼器生成的潛在向量，是圖像的低維特征表示空間。潛在空間就像修復(fù)師的“特征庫(kù)”，存放著所有文物的形象特征。
解碼器：VAE解碼器將潛在向量解碼成完整的高分辨率圖像。VAE解碼器就像“文物特征組裝器”，將文物的特征轉(zhuǎn)換成完整的文物形象。
最終圖像生成：去噪過(guò)程完成后，張量通過(guò)VAE解碼器離開(kāi)潛在空間，文物修復(fù)師通過(guò)最終的修復(fù)步驟，呈現(xiàn)出完整的文物形象。
寫(xiě)在最后
作為一款開(kāi)源工具，Stable Diffusion為我們提供了強(qiáng)大的可定制和控制能力，它不僅降低了硬件要求，讓大部分人都可以使用外，還通過(guò)豐富的插件生態(tài)系統(tǒng)拓展了模型的應(yīng)用范圍。了解它的工作原理，能幫助我們更好地調(diào)整參數(shù)，提高圖像質(zhì)量，滿足特定的設(shè)計(jì)需求和偏好。
在當(dāng)前的環(huán)境下，熟悉使用AIGC技術(shù)已經(jīng)成為企業(yè)要求的必備能力，它不僅大幅降低了設(shè)計(jì)內(nèi)容的制作成本與時(shí)間，還拓展提高了設(shè)計(jì)的能力邊界，不再需要設(shè)計(jì)師為某種風(fēng)格而去學(xué)習(xí)一門技法。但也降低了設(shè)計(jì)師工作的門檻，所以保持終身學(xué)習(xí)緊跟前沿技術(shù)，才能立于不敗之地，愿你我共勉！
今天就寫(xiě)到這里，bay~
Powered by Froala Editor
資深視覺(jué)設(shè)計(jì)師
7
作品
9
粉絲
3
關(guān)注
分享能獲取更多贊？
密碼登錄
大牛，別默默的看了，快登錄幫我點(diǎn)評(píng)一下吧！:)
登錄 立即注冊(cè)