你有沒有想過，文字或圖片送進模型後，能不能直接變成圖像、立體模型，甚至更好看的結果？
你可以把它想成把素材重新整理成可看、可用的內容。 穩定擴散 的重點是 Stable Diffusion 是一種潛在擴散模型，用於根據文字描述生成高質量圖像，透過迭代去噪過程，從隨機噪聲中產生逼真圖像。 它重要，是因為生成品質、控制能力和速度，會直接影響實際可用性。
容易混淆
穩定擴散 vs 擴散模型 穩定擴散：偏向 把條件轉成可看結果 擴散模型：偏向 更大的生成家族 最關鍵的區別：穩定擴散看的是「把條件轉成可看結果」，擴散模型看的是「更大的生成家族」。
穩定擴散 vs 去噪擴散機率模型 穩定擴散：偏向 把條件轉成可看結果 去噪擴散機率模型：偏向 更標準的擴散模型寫法 最關鍵的區別：穩定擴散看的是「把條件轉成可看結果」，去噪擴散機率模型看的是「更標準的擴散模型寫法」。
記住這句就好
先看它是在生內容，還是在改內容。
實際案例
案例：行銷團隊先出一版商品視覺 先用模型快速試色和試風格，再決定要不要進設計流程
案例：老照片太模糊，想救回細節 先放大再補細節，比單純拉伸更有機會看清楚
算法與應用
先建立可生成的表示，再一步步補細節 提示詞、參考圖和推論設定，常會一起影響成品 常見用途是生圖、修圖、放大和視覺理解
情境判斷
Q1（直覺題）： 你要把一張模糊照片修清楚，這類方法有沒有用？ → 有，超解析度或相關生成式方法就是在做這件事。
Q2（判斷題）： 你只有一張很小的產品照，想直接拿去印大海報，這時候一定要用生成式方法嗎？ → 看情況，如果只是放大到可讀，傳統插值可能夠；如果要補細節，才需要更強的方法。
常見問題
這類方法最常用在哪裡？
在需要快速出視覺稿、修圖、放大或跨風格轉換的場景，最容易看到價值。
為什麼成品有時會跑掉？
因為提示詞、參考圖、步數和模型版本都會改變結果，控制變數越少，成品越穩。
這類方法和單純修圖有什麼不同？
修圖通常是手動改局部，這類方法會讓模型根據條件重新生成或補出結果。