Stable Diffusion是一种高性能AI图像生成模型，由文本编码器、图像信息生成器和图像解码器三部分组成。文本编码器将提示词转为向量；生成器在压缩的潜空间中用UNet和调度算法逐步去噪，速度远快于像素空间扩散；解码器最后还原出图像。其扩散原理是先给图像加噪训练噪声预测器，生成时逐步去噪。文本通过注意力层注入UNet以控制生成内容。