Stable Diffusion 是一种潜在的文本到图像扩散模型，能够在给定任何文本输入的情况下生成照片般逼真的图像，培养自主自由以产生令人难以置信的图像。

https://civitai.com/ 三方流行模型下载

https://huggingface.co/ 机器学习官网，详细文档、模型资源等

https://www.bilibili.com/video/BV1xz4y147xA/ 这里是我演示的一个教程，用于训练文生图demo,有声音的

生成图片的关键在于模型，模型训练是必须掌握的知识，以下是当前几种模型 ,当前版本v0.16.0：

• Unconditional Training 与文本或图像到图像模型不同，无条件图像生成不以任何文本或图像为条件。它仅生成类似于其训练数据分布的图像。
• Text-to-Image Training 文本到图像模型（如稳定扩散）从文本提示生成图像。（用于创作图像）
• Text Inversion 文本反转是一种从少量示例图像中捕获新概念的技术。虽然该技术最初是用潜在扩散模型演示的，但此后已应用于其他模型变体，如稳定扩散。学>习的概念可用于更好地控制从文本到图像管道生成的图像。它在文本编码器的嵌入空间中学习新的“单词”，这些单词在文本提示中用于个性化图像生成。
• Dreambooth 是一种个性化文本到图像模型的方法，例如稳定扩散，只需给定几 （3-5） 张主题图像。它允许模型在不同的场景、姿势和视图中生成主体的上下文>图像。（用于发散）
• LoRA Support 可在消耗更少内存的同时加速大型模型的训练。它将秩分解权重矩阵（称为更新矩阵）对添加到现有权重，并且仅训练那些新添加的权重。（风格训>练）
• ControlNet 将条件控制添加到文本到图像扩散模型
• instructpix2pix 微调文本条件扩散模型的方法，以便它们可以遵循输入图像的编辑指令
• Custom Diffusion 自定义扩散，比如你指定狗和指定的背景，组合成新的画面。

而我们经常能用到的就是text-to-image, dreambooth, lora 这三种训练算法，其他不需要过多研究，AI生图原理就是对图像进行标注，按着既定规则重新组合。

CLIP原理