图像创作 · Stable Diffusion&FLUX系列大模型基础
为什么 SD U-Net 中 Self-Attention 与 Cross-Attention 主要放在中、低分辨率层？高分辨率层为何以卷积为主？
原题为什么使用U-Net作为Stable Diffusion模型的核心Backbone？
原题U-Net与DiT在Backbone设计哲学上的本质差异是什么？SD系列从U-Net演进到DiT的根本原因是什么？
原题SD Backbone中为什么设计GroupNorm+SiLU+残差连接的组合？
原题Text Encoder和VLM条件编码器在扩散模型中起什么作用？
原题CLIP Text Encoder的Tokens长度限制对长 Prompt的实际影响是什么？工程上如何突破？
原题Prompt中的权重语法（(word:1.2)、[word]等）的实现原理是什么？
原题从 SD 1.x → SDXL → SD 3 → FLUX.1，文本编码器与文本条件注入机制如何演进？这些变化如何影响提示词遵循与生成效果？
原题如何优化Prompt和生成图像不对齐的问题？
原题Stable Diffusion XL的VAE部分有哪些创新？详细分析改进意图
原题
暂无题目