---
title: "圖像生成（Image Generation）"
slug: image-generation
language: zh-TW
source: https://aiterms.tw/terms/image-generation
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 電腦視覺, 生成式AI, 神經網路, 模型訓練, AI倫理與治理]
ipas_term: false
---

# 圖像生成（Image Generation）

> **你有沒有用一句描述，就讓 AI 畫出一張新圖片？**
>
> 你可以把圖像生成想成把文字變成畫面。
> 它不是拿現成圖片分類，而是根據提示創造不存在的新圖，所以很適合做設計草稿和內容創作。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **圖像生成 vs 圖像分類**
> 分類是判斷圖是什麼
> 生成是創造新圖
> 最關鍵的區別是分析現有圖片，還是生成不存在的圖片
>
> **圖像生成 vs 文字生成圖像**
> 文字生成圖像是圖像生成的一種
> 圖像生成還可以從雜訊、草圖或其他圖像出發
> 最關鍵的區別是應用方式，還是整體概念
>
### 記住這句就好

> 看描述，畫出不存在的圖。

### 實際案例

> **行銷草圖**
> 設計師可以先用圖像生成做視覺草稿，再由人工修飾成正式素材。
>
> **遊戲素材**
> 遊戲團隊常用圖像生成先產出場景或角色概念圖，省下大量初版繪圖時間。
>
### 算法與應用

> 現在常見的路線是擴散模型，效果穩定、細節也比較好。
> 不過圖像生成不代表真的理解世界，它更多是在學資料分布和風格。

### 情境判斷

> **Q1：** 你想把一句產品描述變成海報草圖，會用什麼？
> → 圖像生成。
>
> **Q2：** 你要從很多照片裡找出哪一張是貓，這還是圖像生成嗎？
> → 不是，這是圖像分類。
>
### 常見問題

> **Q：圖像生成需要很多資料嗎？**
> 通常需要，尤其是要學出穩定風格時。
>
> **Q：可以控制風格嗎？**
> 可以，提示和模型選擇都會影響結果。
>
> **Q：它有什麼風險？**
> 深偽、版權和偏見都是常見問題。
>
### 相關術語

> - **擴散模型**：現在最主流的圖像生成路線之一
> - **文字生成圖像**：最常見的應用形式
> - **穩定擴散**：實務上常被拿來作為代表模型
> - **電腦視覺**：圖像生成和影像理解都屬於這個大領域
> - **圖像分類**：對照學更能看出生成和分析的差異

---

來源：https://aiterms.tw/terms/image-generation
快查頁：https://aiterms.tw/terms/image-generation
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-image-generation