扩散模型

扩散模型的工作原理是学习逆转噪声添加过程。在训练过程中，干净的图像会通过在每一步添加高斯噪声而逐渐损坏，直到只剩下随机噪声。然后，该模型在每一步中学习预测和消除噪声，从而有效地学习从噪声中重建图像。在生成过程中，该过程从纯随机噪声开始，并迭代地将其去噪，形成连贯、详细的图像。每个去噪步骤都会进一步细化图像，从广泛的形状和颜色发展到精细的细节和纹理。\n\n使用基于扩散模型的工具的建筑师可以生成逼真的室内设计概念。该模型从带有大理石台面的现代厨房的文本描述开始，从随机噪声开始，逐步将其解析为详细的建筑可视化。该过程的迭代性质使模型能够保持全局连贯性（正确的视角、一致的照明），同时在后续步骤中添加局部细节（大理石颗粒、橱柜硬件、瓷砖灌浆）。\n\n扩散模型代表了比以前的生成方法的显着进步。生成对抗网络（GAN）是之前最先进的技术，有时会产生模式崩溃（生成有限的多样性）或训练不稳定。扩散模型训练更稳定，产生更高的多样性，并对生成过程提供更好的控制。它们还通过调节现有图像区域的去噪过程自然地支持修复和修复等编辑操作。\n\nMagic Eraser 的 AI 功能由扩散模型技术提供支持。当该工具在删除对象后填充区域、生成新的背景内容或创建图像扩展时，它会使用迭代去噪来生成逼真且与周围图像上下文一致的内容。迭代细化过程允许模型在每一步纠正自己的错误，以单遍生成方法无法实现的方式逐步提高生成内容的连贯性和细节，这就是为什么基于扩散的方法产生明显更少的视觉伪影和更一致的结果。