从噪点生成美丽的图像
在 ComfyUI 中预览图像生成的样子时，你会发现一开始只能看到像砂岚一样的噪点，但随着步数的推进及，轮廓逐渐显现，最终会变成一张相当整洁的图像。
“怎么能从单纯的噪点中，诞生出有意义的图像呢？”
这个产生不可思议动作的主体，就是 扩散模型 (Diffusion Model)。
什么是扩散模型
现在眼前的噪点图像，并非完全没有意义，而是 被视为“原本漂亮的图像上，叠加了多余的噪点变脏了的东西”。
如果那样想的话，就成了 只要能巧妙地去除多余的噪点，应该就能变回原本漂亮的图像 这样的故事。
那么，就让 AI 来担任那个“去除噪点的人”吧。
扩散模型的学习
AI 擅长记忆“关系性”。 在扩散模型中，会向其展示大量如下的配对进行学习。
- 漂亮的图像
- 在那张图像上叠加了噪点的 “脏图像”
通过这个配对，AI 学习到了当看到脏图像时
“只要这样修，似乎就能稍微接近原本漂亮的图像”
这样的修复方法。
从噪点生成图像
一旦做出了这个“稍微减少噪点的 AI”，剩下的就很简单了。
-
- 准备随机的噪点图像
-
- 把它交给 AI，拜托它“稍微减少一点噪点”
-
- 将稍微变好一点的图像，再次交给 AI……如此重复
最初只是单纯噪点的东西，一边被 AI 一点点去除噪点， 一边逐渐成长为“有一定意义的图像”。
只是生成了随机的图像？
好了，虽然这样就能从噪点生成某种图像了，但可能会抱有这样的疑问。
只是随机出现“看起来像那么回事的图像”吧？ 像“画一只狗”或者“想要秋天的森林”这样的指示，要怎么传达呢？
的确如此，仅靠到此为止的扩散模型，虽然能制作出“看起来像自然图像的东西”，但无法指定具体的内容。
如果稍微接触过图像生成，应该知道
- 文本提示词
- ControlNet
- 参考图像（IP-Adapter 等）
等控制方法。
像这样，对扩散过程教导 “希望在什么条件下生成” 的机制，在 ComfyUI 中统称为 Conditioning（调节/条件）。
接下来，让我们来看看这个 Conditioning。