待验证50% 置信事实精确时间
Stable Diffusion 模型由变分自编码器（VAE）、U-Net 架构的噪声预测网络和基于 CLIP 的文本编码器三个关键组件构成
1
来源数
50%
置信度
长期有效
时效性
2026/9/10
首次发现
来源
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75% 相似已验证Flow Matching通过学习确定性速度场将噪声分布连续映射到数据分布，Stable Diffusion 3和Flux均采用此框架71% 相似已验证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71% 相似已验证Stable Diffusion是开源模型，可以本地部署，支持LoRA微调、ControlNet精确控制等高级功能70% 相似已验证主流扩散模型（Diffusion Model）代表性产品包括Stable Diffusion、DALL-E 2早期版本、Midjourney，其工作原理是在训练阶段向图像逐步添加高斯噪声，再训练神经网络学习去噪的逆过程70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/891488API
curl https://kongchang.com/api/v1/knowledge/claims/891488MCP
get_claim(id=891488)