已验证90% 置信事实时间未知
Stable Diffusion基于潜在扩散模型（Latent Diffusion Model），通过在压缩的潜在空间中进行去噪过程来生成高质量图像
7
来源数
90%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
awesome-LLM-resources：GitHub 8K Star最全大语言模型学习资源库解析
githubWangRongsheng
涉及实体
相关事实
待验证Stable Diffusion 基于去噪扩散概率模型（DDPM）理论，将扩散过程从像素空间转移到低维潜在空间，由VAE负责编解码，CLIP模型将文本提示编码为语义向量79% 相似待验证DALL·E 2和Stable Diffusion均基于扩散模型原理78% 相似待验证扩散模型（如Stable Diffusion）通过逐步去噪还原图像，擅长细节纹理；自回归多模态模型（如GPT Image 2）在理解复杂文字指令和保持角色一致性方面更具优势77% 相似待验证扩散模型的数学本质是基于随机微分方程和得分匹配理论，支撑着Stable Diffusion、DALL-E等图像生成系统76% 相似已验证Stable Diffusion is built on the Latent Diffusion Model (LDM) architecture76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/32615API
curl https://kongchang.com/api/v1/knowledge/claims/32615MCP
get_claim(id=32615)