课后习题：AI 绘图原理：Stable Diffusion 深度解析
课堂习题
【M1-01】识别扩散过程
- 知识点：M1 扩散模型
- 题型：单选题
- 难度：易
题干：【M1-01】Stable Diffusion 所属的扩散模型，最核心的训练和生成思路是什么？
A. 直接从训练集中复制一张最接近的图片
B. 训练时逐步加噪，生成时从噪声逐步去噪
C. 只用文本匹配数据库中的相似图片
D. 先压缩图片，再直接保存为更小的 JPG
答案与解析
答案：B
解析：扩散模型在前向过程给真实图逐步加噪声，训练神经网络预测噪声；生成时从随机噪声开始反向去噪。A、C 是检索式误解，D 只描述普通压缩，不体现扩散学习。
【M1-02】判断生成与修复边界
- 知识点：M1 扩散模型
- 题型：判断题
- 难度：中
题干：【M1-02】Stable Diffusion 从噪声生成图片，等价于把某张真实脏图精确还原成它的原图。
A. 对
B. 错
答案与解析
答案：错
解析：去噪类比有助于理解，但文生图是从随机噪声和文本条件中采样生成新图，不是图像恢复任务，也不保证还原某张训练原图。
【M2-01】匹配 VAE 角色
- 知识点：M2 潜在空间与 VAE
- 题型：单选题
- 难度：易
题干：【M2-01】在 Stable Diffusion 中，VAE 的主要作用是什么？
A. 把提示词转换成英文单词
B. 把图片压缩到潜在空间，并把 latent 解码回像素图
C. 代替 U-Net 完成全部去噪
D. 只负责给图片添加水印
答案与解析
答案：B
解析：VAE 包含编码器和解码器：编码器把像素图压缩为潜在表示，扩散在 latent 中进行，最后解码器还原为像素图。提示词由文本编码器处理，去噪主要由 U-Net 完成。
【M2-02】判断潜在扩散收益与代价
- 知识点：M2 潜在空间与 VAE
- 题型：多选题
- 难度：中
题干：【M2-02】关于潜在扩散和 VAE，下列说法哪些正确？
A. Latent Diffusion 在潜在空间中做加噪和去噪。
B. 压缩到 latent 可以降低训练和推理的计算压力。
C. VAE 解码能保证所有微小细节与压缩前完全一致。
D. 不同模型家族混用不匹配的 VAE 可能出现色彩或结构异常。
答案与解析
答案：ABD
解析：潜在扩散的核心是把扩散过程放在低维 latent 中，从而降低计算负担；但压缩和还原可能损失细节，C 错误。基础模型、VAE、LoRA 需要匹配，混用不兼容组件可能导致异常。
【M2-03】解释 latent 空间
- 知识点：M2 潜在空间与 VAE
- 题型：判断题
- 难度：中
题干：【M2-03】Stable Diffusion 的 latent 空间就是一张人眼一定能直接看懂的小缩略图。
A. 对
B. 错
答案与解析
答案：错
解析：latent 是模型用来表示图像结构和语义特征的紧凑向量表示，不是普通缩略图；有些可视化方法能把 latent 转成可看图，但不能把 latent 本身等同于可读图片。
【M3-01】匹配 CLIP 作用
- 知识点：M3 CLIP 文本编码器
- 题型：单选题
- 难度：易
题干：【M3-01】在文生图流程中，CLIP 文本编码器的主要作用是什么？
A. 把提示词转换成与图像语义对齐的文本向量
B. 把像素图压缩成 latent
C. 保存用户的历史生成记录
D. 自动替换所有英文提示词为中文
答案与解析
答案：A
解析：CLIP 通过图文对齐训练得到文本编码器，可以把 prompt 转成 U-Net 可用的条件向量。像素压缩由 VAE 完成，生成记录和自动翻译不是 CLIP 的核心作用。
【M3-02】判断语言支持边界
- 知识点：M3 CLIP 文本编码器
- 题型：判断题
- 难度：中
题干：【M3-02】“CLIP 只能支持英文”是所有模型和版本的绝对规律。
A. 对
B. 错
答案与解析
答案：错
解析：SD 1.x 常见英文 CLIP 编码器偏英文提示，但“只支持英文”取决于具体模型的训练数据、分词器和文本编码器；许多新模型或多语言方案可以处理其他语言。
【M4-01】识别 U-Net 任务
- 知识点：M4 U-Net 与采样步数
- 题型：单选题
- 难度：易
题干：【M4-01】在典型 DDPM 和 Stable Diffusion 的去噪流程中，U-Net 最主要的任务是什么？
A. 预测当前 latent 中应去除的噪声
B. 直接输出最终英文提示词
C. 只负责把图片保存到磁盘
D. 判断图片是否侵犯版权
答案与解析
答案：A
解析：U-Net 接收带噪 latent、时间步和文本条件，预测噪声或更新方向，再由 scheduler 更新 latent。版权判断、存储和 prompt 翻译都不是 U-Net 的核心任务。
【M4-02】理解 U-Net 结构与输入
- 知识点：M4 U-Net 与采样步数
- 题型：多选题
- 难度：中
题干：【M4-02】关于 U-Net，下列说法哪些正确？
A. skip connection 有助于把浅层细节传给重建路径。
B. 时间步 t 能告诉 U-Net 当前噪声水平。
C. 文本嵌入可以通过交叉注意力影响去噪方向。
D. U-Net 每一步都会重新生成一张完全无关的图片。
答案与解析
答案：ABC
解析：U-Net 的编码器—解码器结构和 skip connection 有助于定位和恢复细节；时间步与文本条件都会参与预测。生成是逐步更新的过程，D 错误。
【M4-03】选择采样步数策略
- 知识点：M4 U-Net 与采样步数
- 题型：判断题
- 难度：中
题干：【M4-03】采样步数越大，生成质量一定持续提高，且永远不会改变画面风格。
A. 对
B. 错
答案与解析
答案：错
解析：步数增加通常会增加耗时，可能在一定范围内改善细节，但存在边际收益递减，也可能出现过度锐化、色彩变化或风格偏移；应结合模型、sampler、CFG 和任务测试。
【M5-01】解释 CFG 机制
- 知识点：M5 CFG 与负面提示词
- 题型：单选题
- 难度：中
题干：【M5-01】Classifier-Free Guidance（CFG）的基本做法是什么？
A. 放大“有文本条件”与“弱文本条件”噪声预测之间的差异
B. 把所有负面提示词从训练集中删除
C. 只提高图片分辨率，不改变生成方向
D. 把 U-Net 替换成 VAE 解码器
答案与解析
答案：A
解析：CFG 用条件预测和弱条件/无条件预测的差值放大文本引导方向，使结果更贴 prompt。它不是删除数据、单纯放大图片，也不替换 U-Net。
【M5-02】判断 CFG 高低影响
- 知识点：M5 CFG 与负面提示词
- 题型：多选题
- 难度：中
题干：【M5-02】关于 CFG 强度，下列说法哪些正确？
A. CFG 偏低时，画面可能有更多自由发挥，但可能不够贴 prompt。
B. CFG 适中时，通常更容易平衡主题贴合度和画面自然度。
C. CFG 过高可能导致高饱和、僵硬、肢体错误或画面过度锐化。
D. CFG 数值越高，图片质量一定越高。
答案与解析
答案：ABC
解析：CFG 决定文本方向被放大的程度；常见范围需要在具体模型中测试，过高会损害自然度和多样性，D 错误。
【M5-03】选择负面提示词用途
- 知识点：M5 CFG 与负面提示词
- 题型：单选题
- 难度：易
题干：【M5-03】下列哪项最适合写入负面提示词？
A. lowres, blurry, extra fingers, watermark
B. a cat wearing a red hat in a park
C. oil painting, soft lighting, high detail
D. cyberpunk city at night
答案与解析
答案：A
解析：负面提示词用于描述希望远离的低质或不需要属性；B、C、D 都是正向画面目标或风格描述，不适合作为“不要什么”的负面项。
【M5-04】纠正参数误区
- 知识点：M5 CFG 与负面提示词
- 题型：判断题
- 难度：中
题干：【M5-04】负面提示词可以替代内容安全审核，也能修复错误的基础模型或不匹配的 LoRA。
A. 对
B. 错
答案与解析
答案：错
解析：负面提示词只能影响采样方向，减少明确不想要的属性；不能替代安全审核，也不能修复模型、VAE、LoRA 不匹配或 prompt 结构错误。
【M6-01】识别 LoRA 机制
- 知识点：M6 LoRA 与 ControlNet
- 题型：单选题
- 难度：易
题干：【M6-01】LoRA 微调的主要特点是什么？
A. 训练低秩适配层，只保存较小的附加权重
B. 每次生成都重训完整 Stable Diffusion
C. 只修改提示词，不涉及模型权重
D. 必须删除原模型全部参数后重新训练
答案与解析
答案：A
解析：LoRA 冻结或基本保留预训练权重，训练低秩适配层，文件通常比完整模型小，便于切换；但它仍依赖匹配的基础模型。
【M6-02】判断 LoRA 边界
- 知识点：M6 LoRA 与 ControlNet
- 题型：多选题
- 难度：中
题干：【M6-02】关于 LoRA，下列说法哪些正确？
A. LoRA 常用于固定画风、角色特征或服装概念。
B. LoRA 文件一般比完整基础模型小。
C. LoRA 必须与合适的基础模型版本搭配使用。
D. LoRA 权重越高，所有图片效果一定越好。
答案与解析
答案：ABC
解析：LoRA 通过附加权重学习风格或概念，文件小、可复用；但需要匹配基础模型。权重过高可能破坏画面，D 错误。
【M6-03】匹配 ControlNet 条件
- 知识点：M6 LoRA 与 ControlNet
- 题型：单选题
- 难度：中
题干：【M6-03】想根据人物骨架控制姿势，最合适的 ControlNet 类型是什么？
A. OpenPose
B. Depth
C. Canny
D. Textual Inversion
答案与解析
答案：A
解析：OpenPose 常用于提取人体骨架并控制姿态；Depth 控制空间深浅，Canny 控制硬边缘轮廓，Textual Inversion 不是 ControlNet 姿态控制类型。
【M6-04】选择控图方法
- 知识点：M6 LoRA 与 ControlNet
- 题型：多选题
- 难度：难
题干：【M6-04】关于 LoRA 与 ControlNet 的分工，下列说法哪些正确？
A. LoRA 更适合学习统一画风或特定角色特征。
B. Lineart ControlNet 可以用线稿影响轮廓和构图。
C. Depth ControlNet 可以利用前后景深关系辅助空间布局。
D. ControlNet 只要上传任意参考图，就一定能完美复刻所有内容。
答案与解析
答案：ABC
解析：LoRA 侧重风格和角色一致性，Lineart、Depth 等 ControlNet 侧重构图、轮廓或空间控制。ControlNet 还受模型、预处理、权重和分辨率影响，不能保证完美复刻，D 错误。