Stable Diffusion

Stable Diffusion 是由 CompVis、Stability AI 等机构的研究人员联合开发，于2022年8月推出的开源AI图像生成模型。它凭借开源免费、硬件门槛低、可高度定制等特点，和Midjourney、DALL-E形成差异化竞争，成为AIGC图像领域极具影响力的工具，以下从核心亮点、核心功能、发展历程及生态等方面详细介绍：

1. 核心亮点
   • 开源且硬件门槛低：作为开源模型，其代码与模型权重完全公开，用户可自由下载、修改并本地部署，还能基于它做二次开发。同时它继承潜空间低维计算技术，将图像数据大幅压缩，能在普通消费级显卡上运行，早期就能生成512*512像素图像，极大降低了用户使用的硬件成本。
   • 文本解析与生成质量双优：采用预训练的CLIP文本编码器解析文本提示词，相比从零开始训练的编码器，对文字语义的理解更精准。且依托包含23.2亿个图像及英文对照文本的Laion – 2B – en数据集训练，还筛选美学评分高的图像子集优化训练，生成的图像在细节、逼真度和艺术感上表现出色。
   • 多模态拓展性强：不局限于文生图，后续逐步拓展到图像修改、视频生成、3D物体多视角生成等领域。比如2023年推出的Stable Video Diffusion可支持14 – 25帧动态内容生成，2023年末的Stable Zero123模型攻克了3D物体多视角生成难题。
2. 核心功能
   • 基础与高效生成：核心功能是文生图，输入提示词即可生成对应图像。其SDXL Turbo版本借助对抗性扩散蒸馏技术，把图像生成迭代步骤从50步减至1步，实现快速生成高品质图像；Stable Diffusion 3.5等版本还支持百万像素级超清图像生成，满足高清创作需求。
   • 精准编辑与控制：集成ControlNet和LoRA技术，可实现骨骼绑定、局部重绘等精准操作。同时有text – guided修复模型，能智能快速切换图像部分内容；Depth模型可推理输入图像的深度，保障生成图像的连贯性和层次感。
   • 图像优化与拓展：内置超分辨率重建算法，Upscaler Diffusion模型能将图像分辨率提高4倍；此外还有图像融合、风格迁移等衍生功能，适配动漫、写实、艺术创作等多种场景。
3. 关键发展历程
   |2022年|8月推出初代系列版本，10月RunwayML推出1.5版本，成为开发者微调的热门基础模型；11月推出2.0版本，可生成分辨率2048×2048及以上的图像。|
   |2023年|6月发布SDXL版本，支持1024×1024高分辨率输出；11月SDXL Turbo实现生成步数1 – 4步的突破，同期推出视频生成相关模型，拓展至视频领域。|
   |2024年|2月推出Stable Diffusion Cascade，实现多样化风格输出；7月发布Stable Diffusion 3，文本语义理解能力大幅提升；10月进一步推出Stable Diffusion 3.5系列，优化企业级应用适配。|
   |2025年|1月联合AWS推出Stable Diffusion 3.5 Large模型，集成81亿参数，在Amazon Bedrock平台提供企业级图像生成服务，适配广告、建筑可视化等行业需求。|
4. 生态与应用现状
   它拥有活跃的开发者社区，社区中会共享海量预训练模型和插件库，方便用户快速获取适配不同风格、场景的创作资源。应用场景已覆盖多个领域，比如影视行业的场景概念图绘制、游戏行业的角色与道具设计、电商领域的商品图生成，还有建筑行业的可视化效果图制作等。此外，它还获得苹果等企业的支持，针对Apple Silicon芯片优化了运行性能，成为移动端和桌面端均适配的主流AI生成工具。