待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/17
首次发现
来源
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79% 相似待验证2020年DDPM（Denoising Diffusion Probabilistic Models）在图像生成领域开创了通过逐步加噪—逐步去噪实现高质量生成的范式79% 相似待验证潜在扩散模型（LDM）是Stable Diffusion采用的架构，原始图像由VAE编码为约原始尺寸1/8大小的潜在向量76% 相似待验证扩散模型的理论基础由 Song Yang 等人在 2020 年通过随机微分方程（SDE）框架统一阐明，概率流 ODE 的发现使确定性采样成为可能，催生了 DDIM 等加速采样方法，将采样步数从 1000 步压缩至 10-50 步73% 相似已验证Stable Diffusion is built on the Latent Diffusion Model (LDM) architecture73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/544836API
curl https://kongchang.com/api/v1/knowledge/claims/544836MCP
get_claim(id=544836)