---
title: "穩定擴散（Stable Diffusion）"
slug: stable-diffusion
language: zh-TW
source: https://aiterms.tw/terms/stable-diffusion
updated_at: 2026-04-29
tags: [生成式AI, 電腦視覺, 深度學習, 模型訓練, AI應用]
ipas_term: false
---

# 穩定擴散（Stable Diffusion）

> **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
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>

### 相關術語
> - **擴散模型**：先看它，能補基礎
> - **去噪擴散機率模型**：對照它，能分清邊界
> - **潛在擴散模型**：它常一起出現
> - **圖像生成**：它能補常見使用情境

---

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