Stable Diffusion 的版本迭代常让人困惑。这篇内容系统梳理了从 SD 1.x 到 SDXL 的演进路径，并深入解析了其核心的 Latent Diffusion 原理和 Classifier-Free Guidance 机制。对于想深入理解该模型而非简单使用工具的学习者而言，能帮助建立起清晰的技术认知框架。
智能速览
Stable Diffusion 核心是在低维潜空间进行扩散以降低计算成本。
其采用 Classifier-Free Guidance (CFG) 实现高效可控的生成。
通过 cross-attention 机制将文本语义精细注入到模型各层。
SDXL 在前代基础上采用了更大的模型和更丰富的控制条件。
精华内容
要真正掌握 Stable Diffusion，不能只停留在操作层面，需要理解其背后的技术脉络和核心设计。下面将从其基础原理出发，逐步展开解析。
潜空间扩散原理
与传统在像素空间直接操作的扩散模型不同，Stable Diffusion 的核心是基于 Latent Diffusion Model (LDM)。它将图像编码到低维的潜空间中进行扩散和去噪过程，极大地降低了计算资源需求，从而在消费级显卡上也能高效运行。这一创新是 Stable Diffusion 能够普及的关键基础。
可控生成机制
Stable Diffusion 摒弃了需要外部分类器且不稳定的 Classifier Guidance (CG)。转而采用 Classifier-Free Guidance (CFG)，通过训练一个能同时进行有条件（基于文本）和无条件预测的 UNet 模型。在推理时，通过计算这两种预测的差分向量，实现对生成方向的高效、稳定引导，从而精确控制输出内容符合文本描述。
文本控制实现
文本条件如何影响图像生成？Stable Diffusion 并非简单拼接文本特征，而是利用 cross-attention 机制。该机制将 CLIP 文本编码器输出的语义 token 作为查询和键，与 UNet 中间层的特征图进行交互，将文本语义精细地注入到图像生成的每一步。这种方式实现了对主体、属性、风格的像素级细粒度控制。
版本演进路径
从 SD 1.x、2.x 到如今的 SDXL，模型的演进路径清晰。SDXL 是一次重大升级，它不仅采用了更大的 UNet 模型（参数量约35亿）和文本编码器，还引入了更复杂的条件控制机制（如尺寸裁剪等），从而在构图、细节和文字生成能力上相比 SD 1.5/2.0 有了显著提升，能够生成更高质量、更符合指令的图像。
梳理 Stable Diffusion 的技术版图，有助于从使用者进阶为理解者。理解了这些核心原理，无论是模型微调还是插件应用都将更有方向。随着技术迭代，未来的图像生成模型又将带来哪些新的突破？
