┃ ┣ 📂 主体 ┃ ┣ 📂 动作 ┃ ┣ 📂 环境 ┃ ┣ 📂 光照 ┃ ┣ 📂 摄影机 ┃ ┣ 📂 风格 ┃ ┣ 📂 氛围 ┃ ┗ 📂 色彩 ┃ ┣ 📂 …

┃ ┣ 📂 主体 ┃ ┣ 📂 动作 ┃ ┣ 📂 环境 ┃ ┣ 📂 光照 ┃ ┣ 📂 摄影机 ┃ ┣ 📂 风格 ┃ ┣ 📂 氛围 ┃ ┗ 📂 色彩 ┃ ┣ 📂 文本理解 ┃ ┣ 📂 CLIP ┃ ┣ 📂 T5 ┃ ┣ 📂 多模态编码器 ┃ ┣ 📂 语义嵌入 ┃ ┗ 📂 提示词解析 ┃ ┣ 📂 潜空间 ┃ ┣ 📂 压缩表示 ┃ ┣ 📂 更快的处理速度 ┃ ┣ 📂 更低的内存占用 ┃ ┣ 📂 更好的可扩展性 ┃ ┗ 📂 更高的图像质量 ┃ ┣ 📂 图像创建 ┃ ┣ 📂 从随机噪声开始 ┃ ┣ 📂 预测噪声 ┃ ┣ 📂 去除噪声 ┃ ┣ 📂 显现轮廓 ┃ ┣ 📂 形成物体 ┃ ┣ 📂 添加纹理 ┃ ┣ 📂 应用光照 ┃ ┗ 📂 生成精细细节 ┃ ┣ 📂 去噪模型 ┃ ┣ 📂 U-Net ┃ ┣ 📂 扩散变换器 (DiT) ┃ ┣ 📂 噪声预测 ┃ ┣ 📂 渐进式优化 ┃ ┗ 📂 图像重建 ┃ ┣ 📂 交叉注意力机制 ┃ ┣ 📂 将词汇匹配至区域 ┃ ┣ 📂 对齐提示词与图像 ┃ ┣ 📂 聚焦重要细节 ┃ ┣ 📂 保留上下文 ┃ ┗ 📂 提高准确性 ┃ ┣ 📂 引导 ┃ ┣ 📂 无分类器引导 (CFG) ┃ ┣ 📂 提示词遵循 ┃ ┣ 📂 创造力控制 ┃ ┣ 📂 更强的提示词依从性 ┃ ┗ 📂 输出多样性 ┃ ┣ 📂 解码 ┃ ┣ 📂 将潜空间向量转换为像素 ┃ ┣ 📂 还原色彩 ┃ ┣ 📂 恢复纹理 ┃ ┣ 📂 重构阴影 ┃ ┗ 📂 生成最终图像 ┃ ┣ 📂 训练 ┃ ┣ 📂 数十亿对图像文本数据 ┃ ┣ 📂 添加噪声 ┃ ┣ 📂 预测被去除的噪声 ┃ ┣ 📂 与真实数据对比 ┃ ┣ 📂 更新参数 ┃ ┗ 📂 重复数十亿次 ┃ ┣ 📂 生成模式 ┃ ┣ 📂 文生图 ┃ ┣ 📂 图生图 ┃ ┣ 📂 局部重绘 ┃ ┣ 📂 扩展绘制 ┃ ┣ 📂 风格迁移 ┃ ┗ 📂 参考引导生成 ┃ ┣ 📂 现代改进 ┃ ┣ 📂 更好的提示词理解 ┃ ┣ 📂 更逼真的人体结构 ┃ ┣ 📂 改进的排版 ┃ ┣ 📂 更好的光照 ┃ ┣ 📂 更高的图像质量 ┃ ┣ 📂 更强的构图 ┃ ┣ 📂 更一致的角色 ┃ ┣ 📂 更快的生成速度 ┃ ┗ 📂 更好的图像编辑 ┃ ┣ 📂 常见错误 ┃ ┣ 📂 模糊的提示词 ┃ ┣ 📂 较差的空间推理 ┃ ┣ 📂 不准确的物体计数 ┃ ┣ 📂 较弱的文字渲染 ┃ ┣ 📂 不切实际的物理效果 ┃ ┗ 📂 有限的世界知识 ┃ ┣ 📂 应用领域 ┃ ┣ 📂 平面设计 ┃ ┣ 📂 市场营销 ┃ ┣ 📂 广告 ┃ ┣ 📂 社交媒体 ┃ ┣ 📂 产品可视化 ┃ ┣ 📂 概念艺术 ┃ ┣ 📂 游戏开发 ┃ ┣ 📂 影视制作 ┃ ┣ 📂 建筑设计 ┃ ┣ 📂 室内设计 ┃ ┣ 📂 时尚 ┃ ┣ 📂 教育 ┃ ┗ 📂 电子商务 ┃ ┗ 📂 简单类比 ┣ 📂 从随机噪声开始 ┣ 📂 显现基本轮廓 ┣ 📂 形成物体 ┣ 📂 添加光照 ┣ 📂 应用纹理 ┣ 📂 优化精细细节 ┗ ┗ 📂 完成最终图像