Latent Diffusion Model（LDM）是一種現代深度生成模型，主要應用於高解析度影像生成（如 Stable Diffusion）。它在「潛在空間」（latent space）裡操作擴散過程，以更少資源實現高品質生成。
核心架構與原理：
• Autoencoder 壓縮：先訓練一個 autoencoder，把原始資料（如圖片）壓縮成潛在空間裡的低維度特徵表徵。這使後續運算集中在資訊最多但維度最少的地方，提高效率。• 潛在空間內的擴散建模：傳統擴散模型（Diffusion Model）是在原始像素空間反覆加入/去除雜訊，但這樣訓練和生成成本非常高。LDM 則在 autoencoder 的潛在空間進行擴散過程，大大減少了運算量——既降低複雜度又不損畫質。
• 擴散過程：模型先將潛在向量反覆加入高斯噪聲，訓練模型再學習如何一步步「去掉」這些噪聲，最終重建回原始潛在向量，經過解碼器還原成影像。
• 多種「條件化」：透過 cross-attention 機制，LDM 可以接收如文字描述、框選、語意分割等條件，產生指定風格、內容的高畫質影像。
• 損失函數：主要用 MSE（均方誤差）來衡量模型預測的噪聲是否和真實噪聲相符。
主要優勢
• 極大減少訓練資源消耗（只需潛在空間運算，而非高維像素空間）。
• 可生成高解析度、高質量圖像，並支持各種應用（如圖像修補、文字生成圖片、超解析度）。
• 图像生成速度更快，适合实际部署。
代表性應用
• Stable Diffusion、Dalai 等文字到圖像的生成式 AI 就是基於 LDM 架構。
• 圖像超解析、修補、語義合成等高階影像任務。
總結：
Latent Diffusion Model 是把「擴散模型」帶進了壓縮後的潛在空間，利用 autoencoder 把高維數據壓縮進精華空間，使得影像生成又快又省資源，但畫質依然出色，成為目前生成式 AI 圖像領域的主流技術之一。
