扩散模型（Diffusion Model）是当前主流文生图系统的核心。从早期的 Stable Diffusion 到后来的 DiT 架构，背后的基本思想其实相当直白：先教会模型"加噪"，再让它学会"去噪"。
一、前向过程：把图片一步步"弄糊"
训练时，系统对一张真实图片反复叠加微小的随机噪声，经过很多步之后，图片会变得几乎与纯噪声无异。这个过程叫前向过程（forward process），是固定的数学操作，不需要模型去学习。
二、反向过程：让模型学会"擦掉"噪声
接着训练一个神经网络：给它看"加噪后的图片"和"当前时间步"，让它预测这张图里混入了多少噪声。学会之后，从一张纯噪声图出发，反复"减去"模型预测的噪声，就能一步步"洗"出图像——这就是生成图像的反向过程（reverse process）。
三、为什么要在"潜空间"里做
直接在像素上做扩散，计算开销很大。潜扩散（Latent Diffusion）先把图片压缩到更小的潜空间，再在潜空间里做加噪与去噪，最后解码回像素。正是这一步把训练与推理成本大幅降下来，也是这类模型能跑在消费级显卡上的重要原因。
四、文本是怎么"指挥"图像的
扩散模型本身只负责生成图像，并不"听指令"。文生图系统通常先用文本编码器把提示词变成向量，再通过交叉注意力（cross-attention）注入去噪网络，让每一步去噪都朝着文字描述的方向走。这也是同一句提示词、不同随机种子会得到不同结果的原因。
五、给使用者的几点实用理解
- 采样步数不是越多越好：超过一定步数后收益递减，只是更慢；
- "种子"决定随机起点，固定种子加相同提示词有助于复现结果；
- 提示词起的是引导方向的作用，而不是精确控制像素，学会迭代微调比追求"一句到位"更实际。
最后需要提醒：扩散模型生成的内容可能涉及版权与事实性问题，商用前应确认素材来源与授权。
【参考来源】
- Ho、Jain、Abbeel《Denoising Diffusion Probabilistic Models》（DDPM，2020）
- Rombach 等《High-Resolution Image Synthesis with Latent Diffusion Models》（Latent Diffusion，2022）
- Peebles 与 Xie《Scalable Diffusion Models with Transformers》（DiT，2023）