AIGC-一分钟了解图像生成

AI图像生成技术已经算是比较成熟，今天和大家简单聊聊文生图的原理和使用。

生成原理：图片生成模型不止一种，常用的有生成对抗网络（GANs），变分自编码器（Variational Autoencoders，简称VAEs），扩散模型（diffusion），今天我们主要聊的是diffusion model，不同于生成对抗网络（GANs）和变分自编码器（VAEs），扩散模型并不依赖于隐变量方法。相反，它们通过反向扩散过程来生成新的样本，这个方法的优点是，它可以生成具有高度复杂性和多样性的样本，而且可以很自然地处理多模态分布（也就是说，数据可以有多个不同的“类别”或“风格”）。此外，由于这个方法的概率性质，它还可以用于估计数据的概率密度，这是许多其他的生成模型无法做到的。

当前市面上的两个最热的工具，Midjourney和Stable Diffusion都是基于扩散模型的应用类产品，虽然目前看起来他们走了两个完全不同的方向，简单来说在生成预期图片的基础上SD主控制，MJ主创意，建议感兴趣的朋友都尝试一下，而且SD是开源免费的，网上安装教程很多。
使用上来说，主流玩法都是通过文字输入（俗称念咒）生成图片，也就是说描述决定生成图片的内容，比如下图（使用的是stable diffusion），在其他描述不变的情况下（生成个美女呗），增加了elegant sitting posture（优雅的坐姿）后，图片是有明确的反馈效果的。

描述的作用

对于MJ来说描述几乎是我们所有的工作内容（准备工作MJ已经做完了，而且是专业的），只要你用心描述，大概率就有精美甚至超出你想象的图片生成，但是对于SD来说描述前还要有很多准备工作，甚至描述本身你也需要更多的尝试验证，否则生成的图片可能不会让你满意，但这也恰恰是开源的乐趣所在，你可以做更加定制化的尝试，从商业角度MJ显然是更成功的公司，而SD给了更多公司和个人变现的机会。

今天练习描述词生成了很多图，贴几张给大家。以后我们会开个专门使用sd的工具分享，当然不局限于美女图片。