<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Image Synthesis on 中文AI术语词典</title><link>https://terms-en.ai-term-hub.com/zh/tags/image-synthesis/</link><description>Recent content in Image Synthesis on 中文AI术语词典</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Sat, 18 Jul 2026 11:44:45 +0000</lastBuildDate><atom:link href="https://terms-en.ai-term-hub.com/zh/tags/image-synthesis/index.xml" rel="self" type="application/rss+xml"/><item><title>Stable Diffusion</title><link>https://terms-en.ai-term-hub.com/zh/terms/stable_diffusion/</link><pubDate>Sat, 18 Jul 2026 11:35:05 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/stable_diffusion/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>Stable Diffusion 是一种深度学习模型，利用潜在扩散过程根据文本输入生成详细的图像。与在像素空间操作的扩散模型不同，它在压缩的潜在空间（latent space）中进行去噪过程，这大大降低了计算资源需求并提高了生成速度。它结合了变分自编码器（VAE）和条件扩散模型，是目前最流行的开源文生图技术之一。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>一种潜在扩散模型，能够高效地从文本描述生成高质量图像。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>潜在扩散&lt;/li>
&lt;li>文生图&lt;/li>
&lt;li>生成式AI&lt;/li>
&lt;li>VAE (变分自编码器)&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>数字艺术创作&lt;/li>
&lt;li>概念可视化&lt;/li>
&lt;li>营销内容生成&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/dall-e-openai%E7%9A%84%E6%96%87%E7%94%9F%E5%9B%BE%E6%A8%A1%E5%9E%8B/">DALL-E (OpenAI的文生图模型)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/midjourney-%E7%9F%A5%E5%90%8Dai%E7%BB%98%E5%9B%BE%E5%B7%A5%E5%85%B7/">Midjourney (知名AI绘图工具)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/diffusion-models-%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B/">Diffusion Models (扩散模型)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/gans-%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C/">GANs (生成对抗网络)&lt;/a>&lt;/li>
&lt;/ul></description></item><item><title>基于扩散的</title><link>https://terms-en.ai-term-hub.com/zh/terms/diffusion_based/</link><pubDate>Sat, 18 Jul 2026 10:56:23 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/diffusion_based/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>基于扩散的模型是一类生成式AI，它们通过从随机分布中迭代去除噪声来创建新的数据样本。该过程始于一个前向阶段，即缓慢地向数据中添加高斯噪声，直到数据变为纯噪声；随后通过训练神经网络学习逆向过程，从而从噪声中恢复出有意义的结构。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>一种生成建模方法，通过学习去噪步骤逆转逐渐添加噪声的过程来创建数据。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>前向过程&lt;/li>
&lt;li>逆向过程&lt;/li>
&lt;li>去噪&lt;/li>
&lt;li>潜在空间&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>高分辨率图像合成&lt;/li>
&lt;li>文生图生成&lt;/li>
&lt;li>医学影像的数据增强&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/stable_diffusion-%E7%A8%B3%E5%AE%9A%E6%89%A9%E6%95%A3/">stable_diffusion (稳定扩散)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/generative_models-%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8B/">generative_models (生成模型)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/denoising_autoencoder-%E5%8E%BB%E5%99%AA%E8%87%AA%E7%BC%96%E7%A0%81%E5%99%A8/">denoising_autoencoder (去噪自编码器)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/latent_diffusion-%E6%BD%9C%E5%9C%A8%E6%89%A9%E6%95%A3/">latent_diffusion (潜在扩散)&lt;/a>&lt;/li>
&lt;/ul></description></item></channel></rss>