Diffusion Model 擴散模型是什麼？AI 畫圖其實是在擦雜訊

AI 生圖看起來像變魔術，其實它不是憑空畫圖，而是從一堆雜訊中一步步找回秩序。

懂了這件事，你就會知道為什麼步數越多品質越好、為什麼提示詞在每一步都有影響。

定義

擴散模型（Diffusion Model）是一種生成模型，它學會如何把「隨機雜訊」逐步變成「真實圖像」。訓練時先學會加噪，生成時再學會去噪。

酒Ann 的一句話總結是：AI 不是憑空畫圖，而是從混亂中找回秩序，一步步還原出有意義、符合你想像的畫面。

運作流程

訓練階段叫前向過程。把一張原始圖像逐步加入雜訊，從一點雜訊、更多雜訊、非常多雜訊，一直到幾乎是純雜訊，模型從中學會雜訊是怎麼疊上去的。

生成階段叫反向過程。從純雜訊出發，去掉一些雜訊、再去掉更多，畫面越來越清晰，最後接近成品。

關鍵在於，AI 在每一步都會根據文字提示預測：下一步應該長什麼樣？這就是提示詞真正起作用的地方。

白話比喻

想像一台收不到訊號的電視。一開始滿螢幕雜訊，什麼都看不到；訊號變好一點，開始看到輪廓；再好一點，細節越來越多；最後畫質完美呈現。

也可以想成從模糊的記憶裡一點一點想起細節，直到整個畫面清晰。

跟其他生成模型差在哪

實際用例

它的關鍵技術有四項：U-Net 架構負責圖像的編碼與解碼；時間步嵌入讓 AI 知道現在處於哪一步；文字條件引導根據提示詞引導去噪方向；噪聲排程決定加噪與去噪的強度與分佈。

因為結構開放，它的可擴充性也高，可以搭配 ControlNet 與 LoRA 等外掛強化能力，做到構圖控制與風格特化。