> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-er-bu-fen-he-xin-ji-shu-jie-xi/09_multimodal_genai/9.2_image_generation.md).

# 9.2 图像生成与扩散模型

> AI 画画不是在“拼贴素材”，而是在“雕刻噪点”。无中生有，始于噪点。

## 9.2.1 以前的 AI 画画：像拼贴

在 2022 年之前，AI 主要是靠 **GAN（生成对抗网络）** 画画。

简单说，就是让两个 AI 打架：

* **骗子（生成器）**：拼命造假画。
* **警察（判别器）**：拼命抓假画。

打到最后，骗子技艺大涨，连警察都分不清真假了。

但这有个问题：GAN 生成的图，往往细节很假，而且很难控制内容。

## 9.2.2 现在的 AI 画画：扩散模型

如果将视角拉回技术演进的时间线，扩散模型并非在 2022 年凭空产生。它的学术研究源于更早的奠基：

1. **理论提出**：2015 年左右扩散概念初步诞生，随后在 2020 年的经典论文**DDPM**（Denoising Diffusion Probabilistic Models）中得到了验证，证明了从纯噪声中分步还原出高质量图像的潜力。
2. **算力破局**：在 2021-2022 年间，**潜在扩散模型（LDM，Latent Diffusion Models）** 巧妙地将降噪过程转移到了压缩的“潜在空间”中，大幅缩减了对显卡算力的需求。
3. **产品爆发**：到了 2022 年，基于 LDM 架构的**Stable Diffusion**宣布开源，同时商业工具**Midjourney** 横空出世，正式引爆了整个 AIGC 图像生成的产品生态。

它们用了一种全新的魔法，你可以把它想象成 **“修复文物”** 的过程，但却是倒着来的：

1. **加噪（破坏）**：把一张《蒙娜丽莎》一点点泼上墨水（噪点），直到它变成一张完全看不清的雪花屏。
2. **去噪（修复）**：AI 学习这个过程的逆过程。
   * 给它一张雪花屏（随机噪声）。
   * 告诉它：“这就叫 '一只骑摩托的猫' 的雪花屏”。
   * AI 开始一点点把噪点擦掉。
   * 奇迹发生了！随着噪点消失，一只猫的轮廓浮现出来，然后是毛发，然后是摩托车...

```mermaid
graph LR
    A["清晰图像<br/>（如《蒙娜丽莎》）"] -->|"① 前向：逐步加噪"| N["纯随机噪声<br/>（雪花屏）"]
    N -->|"② 反向：逐步去噪<br/>（由文本提示引导）"| G["生成的新图像<br/>（一只骑摩托的猫）"]
```

图 9-1：扩散模型的「加噪—去噪」过程。模型在训练时学习加噪的逆过程；生成时便能在文本提示的引导下，从纯随机噪声一步步还原出图像。

## 9.2.3 为什么 AI 怕画手？

很多人发现，AI 画的脸美若天仙，但手经常是 6 根指头，或者长得像爪子。

这是因为在扩散模型的学习素材里，人脸通常是很清晰、很标准的。

但在照片里，手经常是模糊的、遮挡的、奇形怪状的（拿杯子、插口袋）。

AI 没学明白手的解剖结构，它只是在 **“模仿像素的排列”**。它觉得这里应该有一堆肉色的东西，至于是不是 5 根，它不太在乎。

（注：近两年的新版本在手部细节上已有明显改善，但复杂姿态下仍可能出现失真）。

## 9.2.4 思考题

AI 生成的画，算不算 **“艺术”**？

如果 AI 学习了梵高所有的画，然后生成了一幅“梵高风格”的新作，那这幅画的 **版权** 应该归谁？

是归开发 AI 的公司？归输入提示词（Prompt）的用户？还是归梵高（的后人）？

这目前是法律界最头疼的问题。