待验证50% 置信事实精确时间
扩散模型（如Stable Diffusion）在去噪过程中预测的是像素属于某内容的概率，最终解码器将这些概率加权平均成像素值，因此线条边缘是连续灰度过渡而非二值掩码。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
涉及实体
相关事实
已验证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78% 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% 相似待验证扩散模型的去噪采样过程可被视为一个随机微分方程的解，包含确定性漂移项和随机扩散项。75% 相似待验证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75% 相似待验证论文《Finite-Sample Guarantees for Fully Discrete Conditional Diffusion Models》针对从数据中学习、且用有限步数去噪实现的条件扩散模型，建立了有限样本层面的误差保证73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1043121API
curl https://kongchang.com/api/v1/knowledge/claims/1043121MCP
get_claim(id=1043121)