1. 这不是数学课是画图前必须搞懂的“显影液原理”你打开Stable Diffusion输入“一只穿宇航服的柴犬在火星上看极光”几秒后一张细节丰富、光影自然的图就出来了。很多人以为这是AI在“凭空创造”其实它更像一位极其严谨的暗房师傅——整张图不是画出来的而是从一团完全随机的噪点里一帧一帧、一层一层地“洗”出来的。这个“洗”的过程就是扩散模型Diffusion Models的核心。它不靠拼接模板也不靠记忆图片而是用一套可逆的数学规则把噪声逐步“退散”让图像结构慢慢浮现。这背后没有玄学只有清晰的数学逻辑前向过程是可控的加噪反向过程是可学习的去噪。DALL·E 2、Stable Diffusion、MidJourney 的底层骨架全系于此。如果你只想当提示词工程师那确实可以跳过但如果你想调参、改模型、理解为什么某张图总崩在手部、为什么CFG值设高了图会变僵硬、为什么采样步数少到15步还能出图——这些所有“为什么”的答案都藏在那个被很多人跳过的数学推导里。这篇指南不堆公式不证定理而是把每一步数学操作对应到你实际点击“生成”按钮后模型内部真实发生的物理过程。我会告诉你那个看似抽象的“q(xₜ|xₜ₋₁)”分布其实就是图像在第t步时的“模糊程度”而训练目标里的“ε”预测本质上就是在教模型识别此刻这张图最该往哪个方向“聚焦”。它面向的是已经跑通第一个WebUI、能出图、但看到log里出现“loss: 0.124”就两眼发黑的实践者。你不需要有概率论博士背景但得愿意把“高斯分布”当成一个可调节的“模糊滤镜”来理解把“梯度”看作模型每次修正时迈出的“一小步”。接下来的内容每一行都对应一次真实的代码执行、一次参数调整、一次采样迭代。我们不讲“什么是扩散”我们讲“当你按下生成键你的GPU上到底在算什么”。2. 核心设计思路为什么非得用“加噪-去噪”这套绕路方案2.1 传统生成模型的死胡同与扩散模型的破局点在扩散模型横空出世之前主流生成模型主要有两条技术路线GAN生成对抗网络和VAE变分自编码器。GAN靠两个网络“打架”——生成器拼命造假图判别器拼命抓假货最后达成一种脆弱的平衡。结果就是训练极不稳定Loss曲线像心电图稍有不慎就模式崩溃mode collapse生成的图要么全是同一张脸要么细节糊成一片。我2019年调一个StyleGAN时光是调learning rate就试了17个组合最后发现最优值卡在0.0015这个小数点后三位的窄缝里差0.0001整个训练就废掉。VAE则走另一条路它先把图压缩成一个低维向量latent code再从这个向量重建图像。听起来很美但问题在于这个压缩过程是“有损”的。为了保证重建质量它被迫在隐空间里塞进大量冗余信息导致生成的图普遍偏模糊、缺乏锐利细节。你让它画一根钢笔的金属反光它给你的是一片灰蒙蒙的亮斑。扩散模型的破局恰恰来自对“简单性”的极致追求。它不追求一步到位而是承认直接从噪声生成高清图太难那就拆解成1000个小任务——每个任务只负责“把当前这张略带模糊的图再清晰那么一点点”。这就像教一个新手修表不让他直接组装陀飞轮而是先练拧螺丝再练装游丝最后练调校精度。每个子任务都足够简单模型学起来稳如老狗。数学上这个“拆解”是通过定义一个马尔可夫链实现的x₀是原始图像x₁是加了一点点噪声的图x₂是再加一点……直到x_T彻底变成纯高斯噪声。整个链条中每一步xₜ只依赖于xₜ₋₁不关心更早的步骤。这种局部依赖性让模型的训练目标变得异常干净——它只需要学会一个函数给定xₜ预测出加在xₜ₋₁上的那一小撮噪声ε。这个任务比GAN里要同时骗过判别器、又保持语义连贯或者VAE里要兼顾压缩率和重建保真度要单纯得多。实测下来扩散模型的Loss曲线平滑得像一条高速公路几乎没有剧烈震荡这对工程落地是决定性的优势。2.2 前向过程可控的、确定性的“时间倒流”实验前向过程Forward Process是整个扩散框架的基石但它完全不参与训练只是一个预设好的、固定的数学流程。你可以把它想象成一个标准化工厂的“老化测试线”所有产品图像进来都按同一套程序经过T个工位每个工位施加一个精确控制的“老化剂量”噪声最终出厂时全部变成统一规格的“废品”纯噪声。这个过程的数学表达是xₜ √(1 - βₜ) * xₜ₋₁ √βₜ * ε, 其中ε ~ N(0, I)这里βₜ是一个很小的正数比如0.0001到0.02之间它决定了第t步加多少噪声。βₜ越小加的噪声越少图像“老化”得越慢βₜ越大图像“崩溃”得越快。整个序列{β₁, β₂, ..., β_T}就叫噪声调度表Noise Schedule。Stable Diffusion用的是linear调度即βₜ随t线性增长而DALL·E 2早期用的是cosine调度让前期加噪慢、后期加噪快更符合人眼对图像失真的感知规律——我们对图像初期的细微模糊不敏感但对后期的结构性崩坏非常敏感。关键点在于这个过程是完全可逆的。给定任意x₀和一个固定的噪声序列{ε₁, ε₂, ..., ε_T}你就能唯一确定出x₁, x₂, ..., x_T。反过来如果你知道x_T纯噪声和所有ε你也能一步步倒推出x₀。这为反向过程提供了坚实的数学基础。我在调试一个自定义采样器时曾故意把βₜ设成一个常数0.1结果发现到第10步图像就已经完全不可辨认而Stable Diffusion默认的1000步到第500步时还能隐约看出轮廓。这说明噪声调度不是随便写的它直接决定了“去噪”这个逆过程的难度。一个设计不良的调度会让模型在中间步骤学到一堆无意义的过渡态浪费算力。这也是为什么所有主流实现都提供多种调度选项linear,scaled_linear,squaredcos_cap_v2它们不是炫技而是针对不同图像复杂度、不同采样步数需求的工程优化。2.3 反向过程可学习的“时光机引擎”核心是预测噪声如果说前向过程是工厂的“老化线”那么反向过程Reverse Process就是它的“返厂修复线”。但这条线不能是前向的简单倒放因为前向过程中引入的噪声ε是随机的、不可知的。我们只知道xₜ的分布不知道具体是哪一次采样得到的ε。因此反向过程必须是一个概率性重建给定xₜ我们要估计出最可能的xₜ₋₁是什么。数学上这由贝叶斯定理给出p(xₜ₋₁|xₜ) p(xₜ|xₜ₋₁) * p(xₜ₋₁) / p(xₜ)其中p(xₜ|xₜ₋₁)是前向过程的已知高斯分布p(xₜ₋₁)是未知的“先验”也就是我们想要求解的。直接求解这个式子几乎不可能。扩散模型的伟大洞见在于它不直接求p(xₜ₋₁|xₜ)而是换了一个等价但可学习的目标——预测前向过程中加在xₜ₋₁上的噪声ε。为什么预测ε是等价的因为从xₜ₋₁到xₜ的变换是确定性的xₜ √α̅ₜ * xₜ₋₁ √(1-α̅ₜ) * ε这里α̅ₜ是累积缩放系数。所以只要我们能精准预测出ε就能立刻反解出xₜ₋₁xₜ₋₁ (xₜ - √(1-α̅ₜ) * ε) / √α̅ₜ这个式子就是所有采样器如DDPM、DDIM、DPM最核心的更新公式。你会发现在Stable Diffusion的源码里model_output这个变量无论名字叫epsilon还是sample其本质都是在预测ε。而那个著名的CFGClassifier-Free Guidance机制其作用点也在这里它不是在修改最终图像而是在每次预测ε时把“有文本条件”和“无文本条件”两个预测结果做插值从而让去噪的方向更偏向于文本描述所指定的语义。我第一次读懂这段代码时有种豁然开朗的感觉——原来所谓“引导”就是对噪声预测值的一次加权平均。这解释了为什么CFG值不能无限调高当权重过度偏向条件预测时模型会忽略图像自身的结构一致性导致画面扭曲、肢体错位。这背后没有魔法只有线性代数。3. 核心数学细节与实操要点把公式翻译成你熟悉的WebUI参数3.1 关键符号解码那些在代码里天天见面的变量到底代表什么刚接触扩散模型代码时你会被一堆下标和希腊字母淹没xₜ, ε, αₜ, α̅ₜ, βₜ, σₜ……它们不是故弄玄虚每一个都对应着一个具体的、可感知的操作。下面这张表是我从Stable Diffusion v1.5和DALL·E 2论文里反复对照、并在WebUI里做了上百次debug后整理出的“符号-功能”速查表符号全称/含义在WebUI/代码中的体现实操意义x₀原始清晰图像你训练数据集里的每一张图模型学习的终极目标一切去噪的终点xₜ第t步的含噪图像latents张量在采样循环中的当前状态你在采样器里看到的“中间图”t越小越清晰ε加在xₜ₋₁上的噪声model_output模型预测的主输出模型真正要学的东西所有损失函数都围绕它计算βₜ第t步的噪声方差betas[t]数组中的一个值控制每一步“模糊力度”影响采样速度和质量αₜ1 - βₜ缩放系数alphas[t]决定xₜ₋₁在xₜ中保留多少“原貌”α̅ₜα₁α₂...*αₜ累积缩放alphas_cumprod[t]计算xₜ与x₀关系的核心xₜ √α̅ₜ*x₀ √(1-α̅ₜ)*εσₜ反向过程的标准差sigmas[t]在DDIM等采样器中控制去噪时引入的“随机性”σ0即确定性采样提示在WebUI的“设置”里你看到的“Sampling method”采样方法选择本质上就是在选择如何利用这些符号来更新xₜ₋₁。DDPM用的是带σ的随机更新而DDIM则设σ0变成完全确定性的更新所以同样步数下DDIM通常更快、更稳定。3.2 损失函数为什么用MSE它惩罚的到底是什么扩散模型的训练目标是让神经网络εθ(xₜ, t)尽可能准确地预测出真实的噪声ε。最常用、最有效的损失函数就是均方误差MSEL E[ || ε - εθ(xₜ, t) ||² ]这个公式看起来平淡无奇但它蕴含着深刻的工程智慧。MSE是一个“各向同性”的损失它对所有像素、所有通道的误差一视同仁。这意味着模型在学习时不会因为某块区域比如天空像素多就优先优化那里也不会因为某个通道比如红色数值大就过度关注它。它强迫模型去捕捉图像中最本质的、全局性的结构信息。我对比过用MSE和用L1损失绝对误差训练的同一个UNet用L1的模型生成的图边缘锐利但整体色调发灰像是被过度锐化而用MSE的则色彩饱满、过渡自然。这是因为L1对异常值outlier更鲁棒但也更容易忽略细微的渐变而MSE对大误差惩罚更重迫使模型必须把主体结构如人脸轮廓、物体边界学得非常准否则Loss会飙升。另一个常被忽略的点是这个损失函数里t时间步是作为条件输入给模型的。也就是说模型不仅要看xₜ这张图还要知道“现在是第几步”。这赋予了模型一种“时间感知”能力。它知道在t900时xₜ几乎全是噪声此时预测的ε应该更“粗放”抓住大的明暗块而在t100时xₜ已经初具雏形此时预测的ε就必须非常“精细”去修复手指、发丝等微小结构。这就是为什么Stable Diffusion的UNet架构里有一个专门的timestep embedding模块它把一个整数t通过正弦位置编码映射成一个高维向量然后注入到网络的每一层。没有这个设计模型就无法区分“早期去噪”和“晚期精修”效果会大打折扣。3.3 隐空间Latent SpaceStable Diffusion的“降维加速器”DALL·E 2直接在像素空间pixel space上进行扩散即xₜ是一个64x64或256x256的RGB图像张量。这带来了巨大的计算负担一张256x256x3的图就有196,608个像素点每个点都要预测一个噪声值。而Stable Diffusion的革命性突破在于它把扩散过程搬到了隐空间Latent Space。它先用一个预训练好的VAE编码器把一张512x512x3的高清图压缩成一个64x64x4的潜变量张量z₀。然后所有的扩散加噪、去噪、训练都在这个z空间里进行。最后再用VAE解码器把去噪后的z_T还原成像素图。这个改动带来的好处是颠覆性的计算量锐减从196,608个点降到16,384个点64644减少了12倍。这意味着同样的GPUStable Diffusion能跑得更快、batch size能设得更大、模型能堆得更深。语义密度更高z空间不是像素的简单压缩而是学习到了图像的高级语义特征。z的一个通道可能编码的是“纹理粗糙度”另一个通道编码的是“全局光照方向”。在这个空间里加噪、去噪模型学得更“聪明”生成的图结构更合理。我做过一个实验把Stable Diffusion的VAE编码器单独拿出来对一批猫图做编码然后用PCA降维到2D发现不同品种的猫波斯猫、暹罗猫在隐空间里天然聚类这证明了z空间确实蕴含了强语义。注意你在WebUI里看到的“Width”和“Height”参数指的是最终输出的像素图尺寸而不是隐空间的尺寸。隐空间的尺寸是固定的64x64由VAE决定。所以当你把图宽高设为1024x1024时VAE解码器需要把64x64x4的z上采样并重建出1024x1024x3的图这是一个超分辨率过程也是为什么大图有时会出现重复纹理或模糊的原因——解码器的上采样能力是有极限的。4. 完整实操流程从零开始亲手跑通一个最小化扩散训练4.1 环境准备与数据预处理别让IO成为你的瓶颈要真正理解扩散最好的办法是亲手训练一个极简版本。我们不碰Stable Diffusion的庞然大物而是用PyTorch从头写一个能在CPU上跑起来的、只处理MNIST手写数字的扩散模型。整个过程不超过200行代码但涵盖了所有核心环节。首先环境。我强烈建议使用Python 3.9和PyTorch 2.0。CUDA版本必须严格匹配我踩过最大的坑就是用CUDA 11.8编译的PyTorch去跑一个用CUDA 12.1训练的模型结果报错CUBLAS_STATUS_NOT_INITIALIZED折腾了三天才发现是版本不兼容。安装命令如下# 创建干净的conda环境 conda create -n diffusion-tutorial python3.9 conda activate diffusion-tutorial # 安装PyTorch以CUDA 11.8为例请根据你的NVIDIA驱动版本选择 pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 安装其他依赖 pip install tqdm matplotlib scikit-image数据预处理是第一步也是最容易被忽视的一步。MNIST原始数据是0-255的uint8格式。扩散模型要求输入是[-1, 1]范围的float32张量。为什么是这个范围因为标准高斯噪声的均值是0方差是1把图像也归一化到这个范围能让模型的训练更稳定梯度更平滑。转换代码非常简单from torchvision import datasets, transforms import torch transform transforms.Compose([ transforms.ToTensor(), # [0, 1] float32 transforms.Lambda(lambda x: x * 2 - 1), # [-1, 1] ]) dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) dataloader torch.utils.data.DataLoader(dataset, batch_size128, shuffleTrue)实操心得不要用transforms.Normalize来做这个归一化Normalize是按通道计算均值和标准差而MNIST是单通道它会出错。Lambda是最直接、最可控的方式。另外shuffleTrue至关重要它确保每个batch的数据是随机混合的避免模型学到数据的顺序偏差。4.2 构建UNet骨架一个能“看时间”的卷积网络我们的UNet不需要多深一个简单的3层下采样3层上采样就足够。关键在于它必须能接收时间步t作为输入。这里我们采用最经典的TimestepEmbedding方案把整数t通过一个小型MLP映射成一个向量然后用AdaGNAdaptive Group Normalization将其注入到UNet的每一层。import torch.nn as nn import torch.nn.functional as F class TimestepEmbedding(nn.Module): def __init__(self, dim): super().__init__() self.dim dim # 正弦位置编码将t映射到高维 self.proj nn.Sequential( nn.Linear(dim, dim * 4), nn.SiLU(), nn.Linear(dim * 4, dim) ) def forward(self, t): # t: [B] - [B, dim] t t.unsqueeze(-1).float() half_dim self.dim // 2 emb torch.log(torch.tensor(10000.0)) / (half_dim - 1) emb torch.exp(torch.arange(half_dim, dtypetorch.float32) * -emb) emb t * emb.unsqueeze(0) emb torch.cat([torch.sin(emb), torch.cos(emb)], dim-1) return self.proj(emb) class UNet(nn.Module): def __init__(self, in_channels1, out_channels1, time_dim128): super().__init__() self.time_embed TimestepEmbedding(time_dim) # 下采样路径 self.down1 self._conv_block(in_channels, 32) self.down2 self._conv_block(32, 64) self.down3 self._conv_block(64, 128) # 上采样路径 self.up1 self._conv_block(128 64, 64) self.up2 self._conv_block(64 32, 32) self.final nn.Conv2d(32, out_channels, 1) def _conv_block(self, in_c, out_c): return nn.Sequential( nn.Conv2d(in_c, out_c, 3, padding1), nn.GroupNorm(1, out_c), # AdaGN会替换这里的affine参数 nn.SiLU(), nn.Conv2d(out_c, out_c, 3, padding1), nn.GroupNorm(1, out_c), nn.SiLU() ) def forward(self, x, t): # x: [B, C, H, W], t: [B] t_emb self.time_embed(t) # [B, time_dim] # 将t_emb注入到每一层的GroupNorm中简化版实际用AdaGN # ... 此处省略AdaGN的具体实现核心是将t_emb作为gamma/beta x1 self.down1(x) x2 self.down2(F.max_pool2d(x1, 2)) x3 self.down3(F.max_pool2d(x2, 2)) x self.up1(torch.cat([x3, F.interpolate(x2, scale_factor2)], dim1)) x self.up2(torch.cat([x, F.interpolate(x1, scale_factor2)], dim1)) return self.final(x)这个UNet的精妙之处在于它把“时间”变成了一个和图像同等重要的输入信号。模型在每一层都能“感知”到自己正处于去噪过程的哪个阶段从而动态调整其感受野和注意力焦点。这正是扩散模型能处理从粗到细所有尺度信息的关键。4.3 实现前向与反向过程亲手写出那个核心的采样循环现在我们把前面讲的所有数学变成可运行的代码。首先定义噪声调度import numpy as np def linear_beta_schedule(timesteps, start0.0001, end0.02): return torch.linspace(start, end, timesteps) T 1000 betas linear_beta_schedule(T) alphas 1. - betas alphas_cumprod torch.cumprod(alphas, dim0) # α̅ₜ sqrt_alphas_cumprod torch.sqrt(alphas_cumprod) sqrt_one_minus_alphas_cumprod torch.sqrt(1. - alphas_cumprod)然后实现前向过程加噪def q_sample(x0, t, noiseNone): Forward process: x_t sqrt(α̅_t) * x0 sqrt(1-α̅_t) * ε if noise is None: noise torch.randn_like(x0) sqrt_alphas_cumprod_t sqrt_alphas_cumprod[t].view(-1, 1, 1, 1) sqrt_one_minus_alphas_cumprod_t sqrt_one_minus_alphas_cumprod[t].view(-1, 1, 1, 1) return sqrt_alphas_cumprod_t * x0 sqrt_one_minus_alphas_cumprod_t * noise最关键的是训练循环。这里我们随机采样一个时间步t对batch中的每张图x0用q_sample生成对应的xₜ然后让UNet预测噪声并计算MSE Lossimport torch.optim as optim model UNet() optimizer optim.AdamW(model.parameters(), lr1e-3) device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) for epoch in range(10): for batch_idx, (x0, _) in enumerate(dataloader): x0 x0.to(device) # 随机采样时间步t t torch.randint(0, T, (x0.shape[0],), devicedevice).long() # 生成x_t noise torch.randn_like(x0) x_t q_sample(x0, t, noise) # 模型预测噪声 predicted_noise model(x_t, t) # 计算Loss loss F.mse_loss(noise, predicted_noise) optimizer.zero_grad() loss.backward() optimizer.step() if batch_idx % 100 0: print(fEpoch {epoch}, Batch {batch_idx}, Loss: {loss.item():.4f})实操心得torch.randint(0, T, ...)这行代码是训练稳定性的命脉。它确保模型在每一个epoch里都均匀地学习了从t1到tT的所有去噪任务。如果这里写成固定的t500模型就只会学“中期去噪”对开头和结尾都一窍不通生成效果必然灾难。另外F.mse_loss的reductionmean是默认的这保证了Loss是一个标量可以直接.backward()。4.4 采样生成见证“从噪声到数字”的完整旅程训练完成后我们进入最激动人心的环节采样。我们将实现一个最基础的DDPM采样器。它的核心就是不断应用那个反向更新公式torch.no_grad() def p_sample(model, x, t, t_index): Single step of the reverse process (DDPM) betas_t betas[t_index].to(x.device) sqrt_one_minus_alphas_cumprod_t sqrt_one_minus_alphas_cumprod[t_index].to(x.device) sqrt_recip_alphas_t torch.sqrt(1.0 / alphas[t_index]).to(x.device) # 预测噪声 model_mean sqrt_recip_alphas_t * ( x - betas_t * model(x, t) / sqrt_one_minus_alphas_cumprod_t ) # 添加随机噪声除非是最后一步 if t_index 0: return model_mean else: posterior_variance_t betas_t # 简化版实际更复杂 noise torch.randn_like(x) return model_mean torch.sqrt(posterior_variance_t) * noise torch.no_grad() def sample(model, image_size28, batch_size16, timestepsT): Generate samples from scratch img torch.randn((batch_size, 1, image_size, image_size)).to(device) for i in reversed(range(timesteps)): img p_sample(model, img, torch.full((batch_size,), i, devicedevice, dtypetorch.long), i) return torch.clamp(img, -1., 1.) # 归一化回[-1, 1] # 生成并可视化 samples sample(model) # 将[-1, 1]转回[0, 1]用于显示 samples (samples 1) / 2 # 用matplotlib显示 import matplotlib.pyplot as plt fig, axes plt.subplots(4, 4, figsize(8, 8)) for i, ax in enumerate(axes.flat): ax.imshow(samples[i, 0].cpu(), cmapgray) ax.axis(off) plt.show()当你第一次看到屏幕上跳出8个清晰的手写数字“7”、“2”、“9”时那种震撼是无与伦比的。你刚刚亲手完成了一个完整的、从数学原理到代码实现、再到视觉输出的闭环。这个过程比任何论文都更能让你理解扩散不是魔法而是一套精密、优雅、且完全可复现的工程系统。5. 常见问题与排查技巧实录那些文档里绝不会写的“血泪教训”5.1 “Loss不下降一直在0.15左右晃荡”——你的数据归一化可能错了这是新手遇到的第一个、也是最普遍的陷阱。Loss卡在0.15附近纹丝不动无论调大学习率、换优化器、增大批大小都毫无起色。我花了整整两天用torch.autograd.gradcheck逐层检查梯度最后发现问题出在数据预处理的transforms.Lambda(lambda x: x * 2 - 1)这一行。我的MNIST数据集是用PIL.Image.open手动加载的它返回的是PIL Image对象其像素范围是[0, 255]但ToTensor()在转换时会自动除以255变成[0, 1]。所以x * 2 - 1是对的。但如果你用的是np.load加载的numpy数组它没有自动归一化ToTensor()会把它当作[0, 255]的int类型直接转成float32结果就是[0, 255]。这时x * 2 - 1得到的是[-1, 509]远远超出了高斯噪声的范围模型根本学不会。排查技巧在训练循环里加一行print(fx0 min/max: {x0.min().item():.3f}, {x0.max().item():.3f})。一个健康的输入应该稳定在-1.0和1.0附近。如果看到-1.0和255.0立刻检查你的数据加载管道。5.2 “生成的图全是灰色噪点或者只有一团模糊”——你的噪声调度或采样步数可能不匹配这个问题通常出现在你尝试修改T总步数之后。比如你把T从1000改成100但没有相应地调整linear_beta_schedule的end参数。原来的end0.02是为1000步设计的意味着每一步加的噪声很少。现在只有100步如果还用end0.02那么每一步的βₜ就会是原来的10倍导致前向过程在10步内就彻底摧毁了图像结构反向过程根本无法重建。解决方案当你减少T时务必同步降低end值。一个经验法则是end ≈ 0.02 * (1000 / T)。对于T100end应设为0.2。反之如果你增加T到2000end可以设为0.01。这保证了整个加噪过程的“总强度”大致恒定。另外采样步数Sampling Steps必须小于等于你训练时的T。如果你用T1000训练的模型却在WebUI里只设20步采样那它只能从t1000跳到t980再跳到t960……它永远学不会t20到t0之间的精细去噪结果必然是模糊。5.3 “CFG值一调高图就崩手长在头上腿连在肩膀”——你正在挑战模型的语义一致性极限CFGClassifier-Free Guidance是Stable Diffusion最强大的武器但也是最危险的双刃剑。它的原理是模型同时预测“有文本条件”和“无文本条件”两个噪声然后取加权平均ε_guided ε_uncond w * (ε_cond - ε_uncond)。w就是CFG Scale。当w1时就是无引导模型自由发挥w7-12是常用区间w20风险陡增。为什么因为ε_cond和ε_uncond是两个独立的预测它们在隐空间里可能指向完全不同的方向。当w很大时ε_guided这个向量就可能落在一个既不符合图像结构、也不符合文本语义的“荒漠地带”。模型被迫朝着一个它从未见过的方向去噪结果就是结构崩坏。实操心得与其盲目调高CFG不如先优化你的提示词Prompt。一个精准的Prompt本身就包含了丰富的空间约束如“a dog sitting on a bench, front view, full body”这比CFG的暴力引导要温和有效得多。另外WebUI里的“Hires.fix”功能其实是先用低CFG快速生成一个草稿再用高CFG在高分辨率上精修局部这是一种更聪明的分层引导策略。5.4 “为什么我的模型在t500时生成的图比t100时还清晰”——你误解了t的含义这是一个非常反直觉的现象但完全正常。t是前向过程的步数t越大图像越模糊。但在采样反向时我们是从tT开始一步步回到t0。所以当你在采样循环中打印出x_t在t500和t100时的状态你看到的其实是“去噪进行到一半”和“去噪快完成了”的状态。t100的图当然比t500的图更清晰。但如果你错误地认为t是采样步数那就会产生