历史背景与研究说明
Latent Diffusion Models 在预训练 autoencoder 的潜空间进行 diffusion，并通过 cross- attention 接收文本等条件。它显著降低计算成本，是 Stable Diffusion 的直接技术基础，也是开放文生图生态真正可以跑到消费级 GPU 的关键原因之一。
日期与版本记录
节点标注日期：2021-12 / 2022-06 · 研究母版原记日期：2021-12 / 2022-06
以上日期属于历史事件或资料所记版本，不是本站页面的上线日期；保留原有日期精度与待核事项。
原始资料与进一步阅读
以下链接通往来源的论文、文章、机构或会议页面。外部原文的语言以来源为准。
Latent Diffusion Models
https://openaccess.thecvf.com/content/CVPR2022/html/Rombach_High-Resolution_Image_Synthesis_With_Latent_Diffusion_Models_CVPR_2022_paper.html
当前引用地址
出处、翻译与核验状态
档案节点 #080 · 历史节点
研究母版与补充出处 · 3
AI 艺术谱系研究母版 · p. 24 · 080
原记日期: 2021-12 / 2022-06
潜在扩散模型 ↗
Latent Diffusion Models
生成式视觉发布编年研究母版 · p. 3 · R010
原记日期: 2021-12
潜在扩散模型 ↗
Latent Diffusion Models preprint
生成式视觉发布编年研究母版 · p. 3 · R012
原记日期: 2021-12/2022-06
潜在扩散模型 ↗
Rombach et al. — Latent Diffusion Models
站内说明据母版译编，非外链全文译本；AI 辅助翻译，待人工审校。
母版研究论述与日期尚待独立核验。
引用本节点
ANTI-AI ARCHIVE. 潜在扩散模型. 艺术史节点 #080. https://salondesrefuses.cn/zh/art-history/080
引用具体史实时，请同时引用上方原始资料，并补充你的访问日期。本站说明不是外链全文译本。
相邻节点按时间顺序排列，不意味着二者存在直接影响或因果关系。