Stable Diffusion 的结构？

一句话速记：VAE 把图像压缩到潜空间，U-Net/DiT 在潜空间去噪，文本编码器（CLIP/T5）通过交叉注意力提供条件。

生成

同章节的其他八股

• LLaVA 类多模态大模型的结构和训练流程？
• CLIP 是怎么训练的？
• ViT 的原理？图像 token 数怎么计算？
• 扩散模型的基本原理？DiT 是什么？
• BLIP-2 的 Q-Former 是什么？
• Qwen-VL 系列有哪些关键设计？M-RoPE 是什么？
• Flow Matching 和扩散模型有什么关系？