从像素炼狱到“潜空间”捷径：LDM如何引爆AI绘画革命并实现算力民主化
感知压缩与语义生成的完美解耦
在2021年前后，扩散模型虽然已经证明了其在图像生成质量上能超越GAN，但“昂贵”是它撕不掉的标签。由于需要在高维度的像素空间（Pixel Space）反复进行函数评估和梯度计算，训练一个顶级的扩散模型往往需要消耗数百个GPU日，生成一张高清图更是对显存和时间的双重考验。正当人们认为高质量AI绘画只能是科技巨头昂贵玩具的时候，慕尼黑大学与Runway ML的研究团队发表了《High-Resolution Image Synthesis with Latent Diffusion Models》，提出了潜在扩散模型（LDM）。它创造性地将“感知压缩”与“语义生成”分离，让扩散过程在一个低维的“潜空间”中高效运行，从而开启了Stable Diffusion风靡全球的时代。
论文信息：Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-Resolution Image Synthesis with Latent Diffusion Models.CVPR 2022(pp. 10684-10695).
核心贡献：
- 潜空间扩散（Latent Space Diffusion）：引入预训练的自动编码器（Autoencoder），将图像从高维像素空间压缩到低维潜空间，在保留语义信息的同时去除人眼不可察觉的高频细节，大幅降低了扩散模型的训练和采样计算量。
- 交叉注意力机制（Cross-Attention）：在UNet主干网络中引入交叉注意力层，使得模型能够灵活地处理文本、布局、语义图等多种条件输入，奠定了现代Text-to-Image（文生图）模型的技术基础。
- 算力民主化：证明了在有限的计算资源下也能训练出高性能的扩散模型，并在高分辨率合成、修补（Inpainting）等任务上取得了SOTA效果。
历史地位：生成式AI领域的转折点，它是Stable Diffusion背后的核心技术架构，真正实现了让高性能AI绘画模型运行在消费级GPU上，极大地推动了AIGC内容的爆发式增长和社区繁荣。
)
)
