How Stable Diffusion Works (AI Image Generation)
3-Second Blueprint (English)
- Variational autoencoders compress 512x512 RGB images into compact 4x64x64 latent tensors so diffusion runs efficiently in latent space.
- Stacked 3D convolutional kernels inside the U-Net expand channel depth up to 1,024 layers to extract hierarchical spatial image features.
- Cross-attention layers map noisy image queries against text-prompt keys and values to steer iterative denoising toward semantic descriptions.
Latent Diffusion (VAE)U-Net 3D ConvolutionsCross-Attention ConditioningIterative Denoising
3-Sekunden-Fazit (Deutsch)
- Variational Autoencoder komprimieren 512x512-RGB-Bilder in kompakte 4x64x64-Tensoren für effiziente Berechnungen im Latenzraum.
- Gestapelte 3D-Faltungskerne im U-Net erweitern die Kanaltiefe auf bis zu 1.024 Ebenen, um hierarchische Bildmerkmale zu extrahieren.
- Cross-Attention-Schichten koppeln Bild-Queries mit Text-Keys und -Values, um das schrittweise Entrauschen semantisch präzise zu steuern.
Latente Diffusion (VAE)U-Net 3D-FaltungenCross-Attention-SteuerungIteratives Entrauschen
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.