How Diffusion Models Work
3-Second Blueprint (English)
- Diffusion models train a U-Net to predict total noise added to clean images, then iteratively subtract scaled noise during sampling.
- Latent diffusion freezes a pre-trained VAE so denoising runs efficiently in compact latent feature maps before pixel decoding.
- Classifier-free guidance sharpens prompt alignment by scaling the gap between conditional and unconditional or negative predictions.
Forward & Reverse DiffusionU-Net Noise PredictionLatent Diffusion & VAEClassifier-Free GuidanceNegative Prompting
3-Sekunden-Fazit (Deutsch)
- Diffusionsmodelle trainieren ein U-Net auf die Gesamtrausch-Vorhersage und ziehen das Rauschen beim Sampling schrittweise ab.
- Latent Diffusion friert einen vortrainierten VAE ein, um effizient in niedrigdimensionalen Merkmalskarten zu entrauschen.
- Classifier-Free Guidance verstärkt die Prompt-Treue durch Skalierung der Differenz zu unbedingten oder negativen Prompts.
Vorwärts- & RückwärtsdiffusionU-Net-RauschvorhersageLatent Diffusion & VAEClassifier-Free GuidanceNegative Prompts
Note / Hinweis: Blueprints are AI-generated educational summaries (0% Politics · 0% Religion · 0% Brainrot) and do not constitute medical, legal, or financial advice. / KI-generierte Zusammenfassung zu Bildungszwecken – ersetzt keine medizinische, rechtliche oder finanzielle Fachberatung.