本文主要记录不同的SD模型代码中实现的一些细节，如text2img,img2img,inpaint等等

1. 文生图
第一步：生成随机的latent feature (n,4,64,64)；n为生成的图片个数；
第二步：对于prompt用clip生成特征，正向提示词的特征(n,77,768)，反向提示词的特征(n,77,768)。后续用公式得到最终的噪声：
第三步：生成时间步伐的特征(n,320)；
第四步：latent feature放入UNet中，用cnn和多头注意提取特征并下采样，每次都要先加上时间特征，然后和提示词特征用交叉注意力生成新的特征；
第五步：最终UNet输出的是噪声(n,4,64,64);
第六步：根据之前文章的公式对latent feature (n,4,64,64)去燥，得到新的latent feature (n,4,64,64)；不断的采样得到最终的latent feature
第七步：最终的latent feature 放到VAE解码器中，放大8倍得到输出图片(n,3,512,512)；

2. 图生图
第一步：与文生图不同，这里的latent feature (n,4,64,64)不是随机生成的，是输入图片用VAE编码器得到的；注意这里有个系数strength，0表示对latent feature不加噪声，1表示加很多噪声完全摧毁原有的信息；
第二步：对于prompt用clip生成特征，正向提示词的特征(n,77,768)，反向提示词的特征(n,77,768)。
第三步：生成时间步伐的特征(n,320)；
第四步：latent feature放入UNet中，用cnn和多头注意提取特征并下采样，每次都要先加上时间特征，然后和提示词特征用交叉注意力生成新的特征；
第五步：最终UNet输出的是噪声(n,4,64,64);
第六步：根据之前文章的公式对latent feature (n,4,64,64)去燥，得到新的latent feature (n,4,64,64)；不断的采样得到最终的latent feature
第七步：最终的latent feature 放到VAE解码器中，放大8倍得到输出图片(n,3,512,512)；

3. Inpainting
第一步：生成随机的latent feature (n,4,64,64)；n为生成的图片个数；
第二步：得到mask img (n,3,512,512)和mask(n,1,512,512)；
第三步：mask下采样到(n,1,64,64)；mask img用编码器得到(n,4,64,64)；把这两个cat起来得到c_cat (n,5,64,64);
第四步：对于prompt用clip生成特征，正向提示词的特征(n,77,768)，反向提示词的特征(n,77,768)；
第五步：生成时间步伐的特征(n,320)；
第六步：把c_cat (n,5,64,64)和latent feature (n,4,64,64) 连接起来得到网络的输入 (n,9,64,64)；也就是说输入UNet的xc是图像特征加上latent feature；而cc是prompt的特征，out = self.diffusion_model(xc, t, context=cc)；如下图所示：4个latent feature+4个mask img feature+1 mask；

第七步：把上面这些输入UNet中，用cnn和多头注意提取特征并下采样，每次都要先加上时间特征，然后和提示词特征用交叉注意力生成新的特征；
第八步：最终UNet同样输出噪声(n,4,64,64);
第九步：根据之前文章的公式对latent feature (n,4,64,64)去燥，得到新的latent feature (n,4,64,64)；不断的采样得到最终的latent feature；
第十步：最终的latent feature 放到VAE解码器中，放大8倍得到输出图片(n,3,512,512)；