文生图是怎么出图的？扩散去噪过程

在文生图工具里敲下一句话，几十秒后一张新图出现在眼前——这几十秒里，AI 在做什么？答案是一条与直觉相反的流水线：它并没有动笔画画，而是从一团纯噪声出发，一步一步把噪声擦掉，擦出一张清晰的图。这条路线叫扩散，是当今文生图的主流机制。这篇只讲机制直觉：为什么从噪声出发反而能生成图、模型怎么学会擦噪声、文字怎么引导方向、为什么要迭代几十步；工具怎么选怎么用，存量文章已覆盖，文末互链。

把画画倒过来看：藏在噪声里的图

理解扩散有个现成的比喻：雕刻家说雕像本来就藏在石头里，自己只是去掉多余的部分。扩散模型生图用的是同一个思路的数字版：起点是一张与电视雪花无异的纯噪声图，模型每一步做一件事——判断哪些嘈杂来自噪声，往清晰的方向修一点；修几十步，图就从噪声里浮现出来。这个看似古怪的设计有个清晰的来历：训练时方向恰好相反，程序把一张清晰图一点点加噪声，加到面目全非；模型要学的，正是「这一步加进来的噪声长什么样」。学回了加噪声，生图就是把过程倒着放——一步步减噪声。

擦噪声的能力是怎么练出来的

训练素材是海量图片，流程机械而重复：随机挑一张图，随机加一个程度的噪声，让模型猜出刚才加进去的噪声是什么；猜完对照答案，调整参数，换下一张。亿万次之后，模型心里装下的，是一整套关于「清晰的图像应该长什么样」的统计常识——毛发在逆光里是什么纹理、天空靠近地平线时怎么渐变、金属高光落在哪个位置。去噪擦掉的是乱码，补上的是常识。这也解释了生成的本质：图里的每一处细节，都来自模型从数据里学到的「合理长相」，概率上讲得通的图，就能被擦出来。

文字怎么引导去噪的方向

没有引导的扩散模型只会生成「任意一张合理的图」，质量再高也不知道该画什么。提示词在这里充当方向盘：文字先经文本编码器转成模型能读的向量，注入去噪的每一步，让模型在修正像素时，朝着与文字含义一致的方向修——写「海边落日」，往海与光的方向擦；写「雪夜小屋」，往冷色与暖窗的方向擦。同一段去噪能力，配上不同的条件，擦出完全不同的图。提示词怎么变成机器可读的向量，文本编码器一篇有专门拆解。

为什么要一步步来：迭代的账

一步到位行不行？行不通。一步从噪声跳到成图，等于让模型凭空画出整张图的所有细节，负担大到学不好；分成几十步，每一步只做一点小修正，模型可以看着上一步的结果决定下一步怎么改，越改越接近目标。步数因此成了质量与时间的交换：步数多，细节收敛得稳，耗时相应变长；步数少，出图快，容易留下没擦干净的痕迹。你在工具里看到的进度条从模糊到清晰，就是这条去噪链一格格跑完的过程。

机制解释了哪些常见现象

回头看文生图的一些老问题，机制里都有答案。为什么同一个提示词两次生成的图不一样？起点噪声是随机采的，起点不同，落点就不同。为什么手最容易画错？模型学的是画面整体的统计合理性，手指这类数量感强的小目标约束最弱，机制的展开见AI 画手一篇。为什么生成一张图要按秒计时？几十步迭代意味着几十次完整的神经网络计算。扩散模型的发展脉络见扩散模型一篇，工具盘点的存量内容见文生图工具盘点一篇，两篇与本文互补。想检验自己是否真懂了，可以让 DeepSeek 用「从雪花屏擦出照片」的说法把流程复述给一个完全没接触过 AI 的朋友听，再用豆包追问「为什么不能一步生成」，讲得顺就真懂了。

扩散去噪速查

• 生图方向：从纯噪声出发，逐步减噪声直到成图
• 训练方向：给清晰图逐步加噪声，让模型学会「擦」
• 文字引导：提示词编码成向量，注入每一步去噪
• 多步迭代：每步小修正，步数是质量与时间的交换
• 随机起点：同一提示词结果不同，根源在初始噪声

扩散去噪快问快答

• 模型真的在「擦噪声」吗？：这是最贴切的直觉说法。严格讲，模型每一步输出的是对当前图像的一次修正估计，修完的结果更贴近清晰图，连起来看就是从噪声到成图的擦除过程。
• 步数越多画质一定越好吗？：在一定范围内是，过了拐点收益递减，甚至因为过度修正出现色彩偏移；各家模型都有一条效果与速度平衡的推荐步数。
• 去噪和放大照片的算法是一回事吗？：两者都靠补细节，但方向不同：放大以已有像素为起点补分辨率，去噪以纯噪声为起点、按文字引导从零生成整张图。