Diffusion模型的缺点及改进版——Stable Diffusion

前面我们在介绍整个文字生成图片的架构中，图里面用的都是Stable Diffusion，后面介绍又主要介绍的是Diffusion。其实Stable Diffusion是Diffusion的改进版。

在传统的扩散模型中，图像生成过程涉及两个主要阶段：噪声添加和噪声移除。在噪声添加阶段，模型逐渐将数据（如图像）转化为纯噪声；而在噪声移除阶段，也被称为反向扩散过程，模型则需要逐步从噪声中重构出原始数据。这一过程依赖于一个称为 U-Net 的深度学习架构，该架构能够在每个时间步处理带有噪声的图像，逐步减少噪声并恢复图像的细节和质量。

然而，当处理的图像尺寸变大或者时间步数（time step t）增多时，这种模型的效率会显著下降。这是因为大尺寸图像需要更多的计算资源来处理，每一个时间步都需要进行复杂的网络运算，导致整个图像生成过程变得非常缓慢。这不仅增加了计算成本，也限制了模型在实时或资源有限的应用场景下的可行性。