扩散模型术语速查

扩散模型是图像生成、视频生成和部分音频生成的重要技术路线。它的基本思想是：训练模型学会从噪声中逐步还原出清晰数据。

基础术语

Diffusion Model，扩散模型：通过加噪和去噪过程学习数据分布的生成模型。

Forward Process，前向过程：不断向真实图片加入噪声，直到接近纯噪声。

Reverse Process，反向过程：模型从噪声开始一步步去噪，生成图片。

Noise，噪声：随机扰动。扩散模型训练时学习如何预测和去除噪声。

生成相关

Sampling，采样：从噪声生成最终图像的过程。采样步数越多通常越慢，不一定总是更好。

Sampler，采样器：控制去噪路径的算法，例如不同 WebUI 中常见的 Euler、DPM 等。

Steps，步数：去噪迭代次数。步数太少细节不足，太多可能收益有限。

Seed，随机种子：控制随机起点。固定 Seed 可以复现相近构图。

条件控制

Text-to-Image：根据文本提示生成图像。

Image-to-Image：以已有图片为基础生成变体。

Inpainting：局部重绘，只修改遮罩区域。

ControlNet：用姿势、线稿、深度图等条件控制生成结构。

易混淆点

提示词控制的是语义和风格，ControlNet 控制的是结构，Seed 控制随机性。步数、CFG、模型和提示词都会影响结果，调参时不要一次改太多。

使用建议

先确定模型和画幅，再写提示词；满意构图后固定 Seed；需要精确姿势时用 ControlNet；只改局部时用 Inpainting。商业使用要注意训练素材和生成结果授权。