Madde #316Görü & Multimodal/sozluk/stable-diffusion
Stable Diffusion
Stable Diffusion (Stability AI, Runway, LMU Munich)
Türkçe: Kararlı Difüzyon
Ayrıntılı Tanım
Gizil Difüzyon Modeli (LDM) mimarisi üzerine kurulu; metin komutlarını CLIP metin kodlayıcısı ile anlayıp U-Net katmanlarındaki Çapraz Dikkat (Cross-Attention) mekanizmasıyla görsele dönüştüren, açık kaynaklı dünyayı başlatan efsanevi görsel üretim modelidir.
Ne İşe Yarar / Çözülen Problem
Önceden sadece OpenAI ve Google gibi devlerin kapalı sunucularında bulunan metinden görsel üretme gücünü tamamen açık kaynaklı hale getirerek yerel bilgisayarlarda çalışabilir kılmıştır.
Nasıl Çalışır? (Teknik & Mekanizma)
Üç ana organdan oluşur:
1. **Metin Kodlayıcı (CLIP ViT-L/14):** Prompt'u anlamsal vektörlere çevirir.
2. **Difüzyon U-Net:** Metin vektörlerini Cross-Attention ile dinleyerek 'lük gizil gürültüyü adım adım temizler.
3. **VAE Dekoder:** Temizlenmiş gizil kodu 'lik gerçek bir RGB fotoğrafa dönüştürür.
Örnek Senaryo & Pratik Uygulama
Ekrana `"Siberpunk sokaklarında yağmur altında yürüyen kedi, neon ışıklar, 8K"` yazıldığında, sistemin 4 saniye içinde 25 adımda bu resmi adım adım piksellere dökmesi.
Benzer Terimlerden Farkı
Kapalı bir ticari ürün değil; tüm ağırlıkları indirilebilen, LoRA ve ControlNet ile genişletilebilen modüler bir ekosistemdir.
İlişkili Terimler (4)
Bilgisayarlı Görü, Çok Modlu ve Üretken Yapay Zekâ
CNN, Vision Transformers (ViT), Diffusion, GAN, VAE ve Multimodal modeller.
Toplam Terim:53 Madde
Bu Kategorideki Tüm Terimleri Gör →Önceki Terim (#315)Latent Diffusion Models (LDM)
Sonraki Terim (#317)Diffusion Transformer (DiT)