状成为焦点。必须首先使用语言模型将文本嵌入到潜在空间中。然后，采用U-Net架构在潜在空间中进行一系列的噪声添加和消除操作。最后，将去噪后的输出解码到像素空间中。

以下是 Stable Diffusion 生成的输入文本和相应输出图像的一些示例。

以下图片是对输入的回应：“宇航员在火星上骑马的照片”、“印象派