无论是DALL-E 2、Midjourney还是Stable Diffusion，它们的主要算法和原理都基于扩散模型，并且它们之间也存在千丝万缕的联系。
人工智能是一种模拟人脑神经网络的技术。通过训练，它可以学习各种任务，比如绘画。当我们让AI学习绘画时，它会结合文字进行训练。通过大量填鸭式的训练，在某个时刻，它会突然领悟，能够根据文字要求进行绘画，并且它的绘画具有类似人类的逻辑性，它的能力得到了快速提升。
目前，扩散模型是最常用的AI生成图像的方法之一。扩散模型基于非平衡热力学，这是热力学的一个分支，专门研究不处于热力学平衡中的物理系统。一个典型的例子是一滴墨水在水中扩散。在墨水开始扩散之前，它会在水中某个地方形成一个大的斑点。
如果要模拟墨水开始扩散前的初始状态概率分布，将会非常困难，因为这个分布非常复杂，很难进行采样。然而，随着墨水扩散到水中，水逐渐变成淡蓝色，墨水分子会更加简单和均匀地分布。此时，我们可以使用数学公式来描述其中的概率分布。非平衡热力学可以描述墨水扩散过程中每一步的概率分布。由于扩散过程的每一步都是可逆的，因此只要步长足够小，我们就可以从简单的分布中推断出最初的复杂分布。
通过墨水的例子，我们可以得到一个启示：如果我们使用像素图对模型进行存储，那么将需要大量的硬件资源；相反，如果我们使用高斯噪点图进行存储，那么采样分布将更加容易。我们可以轻松地使用数学公式描述高斯分布的概率，并从简单的高斯分布中进行采样。因此，模型库可以采用高斯噪点图进行存储，这样反转过程也相对容易。这种方法在节省存储空间的同时，还能够保留模型的重要特征。
为了便于理解，我们再举一个例子，扩散模型类似于乐高玩具，打散后就是一个个的小方块，相当于变成噪点，小方块组装成各种各样的造型，类似于去噪的过程。
应用于AI绘画的过程中，可以通过逐步添加高斯噪声（模拟墨滴在水中扩散）来处理一幅图像。最终，这幅图像会变成高斯分布（模拟墨滴最终均匀扩散到水中）。高斯分布是一种非常容易建模和采样的概率分布，因此它在AI绘画的训练过程中起到了重要作用。推理过程则是将这个过程逆向进行，从一个均匀分布的高斯分布中进行采样，并逐步去除噪声，最终得到一幅完整的图像，这也就是将墨水扩散的过程进行逆转的过程。
下图展示了扩散模型的加噪与去噪的过程。扩散模型的原理包括两个步骤：首先是正向扩散，逐渐给图像添加高斯噪声，直到获得纯噪声的图像；然后，通过训练一个神经网进行图像去噪，从纯噪声的图像开始，直到获得最终的图像。
那么，AI绘画具体是怎么工作的呢？以Stable Diffusion为例，首先输入提示词，如“戴眼镜的少女”，然后Stable Diffusion开始工作，主要分为三个部分，如图1-16所示。
第一部分：文本编码。通过图像转换特征，把文本转换为数字信息，并提取出关键标记，如眼镜、少女、金属、年轻等。
第二部分：潜在空间生成。使用图像信息生成器，主要使用U-net调度算法生成图像。
第三部分：变分自编码器(VAE)编码。通过VAE图像解码器，把潜在空间64×64像素的图像解码成512×512像素的图像，从而绘制出训练图像。
给AI绘图提供文本的提示词也被称为指令，被用户戏称为“咒语”。通过Stable Diffusion的计算，可以在WebUI界面上生成直观的图像。AI绘画的过程实际上比描述的更加复杂。
即使不是AI算法工程师，如果深入了解其具体编码过程，熟悉其基本原理对使用者以后无论是生成图像、训练模型还是使用ControlNet工具编辑图像都会有很大帮助。这种了解有助于使用者更好地创作和提高操作AI绘画工具的能力。
