Stable Diffusion 原理介绍与源码分析（一） - 知乎前言（与正文无关，可以忽略） Stable Diffusion 是 Stability AI 公司开源的 AI 文生图扩散模型。之前在文章 扩散模型 (Diffusion Model) 简要介绍与源码分析 中介绍了扩散模型的原理与部分算法代码，满足基本的…
https://zhuanlan.zhihu.com/p/613337342Stable Diffusion 原理介绍与源码分析（二、DDPM、DDIM、PLMS） - 知乎系列文章Stable Diffusion 原理介绍与源码分析（一、总览）前言（与正文无关，可忽略）发现标题越起越奇怪了... 本文继续介绍 Stable Diffusion 框架的实现。在之前的文章 Stable Diffusion 原理介绍与源码分析（…https://zhuanlan.zhihu.com/p/615310965结合上面材料和stable-diffusion-webui来看img2img和txt2img的过程，webui是基于stabilty的stable-diffusion写的，stablity都是基于ldm这个库写的，和compvis的stable-diffusion一样，基本没什么区别，controlnet也是，当然webui进行了很多改造，比如负样本以及各种prompt的优化，当然diffusers写的也很好，但是由于本身基于webui去封装api库，所以看一下webui中的实现也是有必要的，diffusers的封装也很到位，基本也看不出来实现细节了。目前主流的基于扩散模型的生成任务代码就两个，一个是ldm，另一个就是diffusers，我建议推理使用ldm，因为基于webui的这块的优化和三方库特别多，训练可以用diffusers，封装的很方便，当然如果不是自己封装接口，那就无所谓了。
上面写的很好， 核心都在Predict Noise with UNetModel和Denoise with UNetModel中，在DDPM中，注意训练时虽然理论上多次添加噪声并预测，但实际上是只加一次噪声并预测，但在推理中是不断去噪的。
1.UNetModel
sd中的unet是核心，当然unet中也包括了self-attention和cross-attention，sd利用unet来预测噪声，这块代码在stable-diffusion-stability-ai/ldm/modules/diffusionmodules/model.py中，
模型使用downsample和upsample来对样本进行下采样和上采样，resblock和spatialTransformer，其中每一个resblock接收来自上一个模块输入以及timesteps对应的embedding，每一个spatialTransformer接收来自上一个模块输入以及context(prompt文本的embedding表示)，使用cross attention，以context为condition，学习图像和文本的匹配关系。unet不改变模型的输入输出大小。
1.1 ResBlock
timestep_embedding，在sdxl中在数据输入训练时常用到的方法
prompt文本的embedding实现
spatialTransformer
图像信息是query，文本信息是key和value。 注意到basic transformerblock中的第一个cross-attention其实没有文本输入，就是self-attention。
DDPM
ddpm代码在ldm/models/diffusion/ddpm.py中
可见ddpm的加噪是一次性完成的
在推理中：
针对DDPM的改进
第一行是DDIM，最后一行是DDPM的结果， FID来评价图片质量，S为迭代次数，在相同步数时，DDIM效果要好。
DDIM
将加噪定义为非马尔科夫过程。
后面的采样器基本也是基于DDPM改进的。