本书以AI图像生成为主线，串联讲解了Stable Diffusion、DALL·E、Imagen、Midjourney等模型的技术方案，并带着读者训练一个自己专属的AI图像生成模型。 本书共6章。第1章先介绍身边的AIGC产品，再讲解AI图像生成相关的深度学习基础知识，包括神经网络和多模态模型的基础知识。第2章讲解AI图像生成技术，从VAE到GAN到基于流的模型再到扩散模型的演化，并详细介绍扩散模型的算法原理和组成模块。第3章讲解Stable Diffusion模型的核心技术。第4章讲解DALL·E 2、Imagen、DeepFloyd和Stable Diffusion图像变体模型的核心技术。第5章讲解Midjourney、SDXL和DALL·E 3的核心技术。第6章是项目实战，使用LoRA技术对Stable Diffusion模型进行微调，得到特定风格的AI图像生成模型。

第1章 AIGC基础
1.1 身边的AIGC
1.1.1 图像生成和编辑类工具
1.1.2 文字提效类工具
1.1.3 音频创作类工具
1.2 神经网络
1.2.1 人工神经元
1.2.2 损失函数
1.2.3 人工神经网络
1.2.4 损失函数
1.2.5 优化器
1.2.6 卷积神经网络
1.3 多模态模型
1.3.1 认识模态
1.3.2 典型多模态模型
1.3.3 参数量
1.3.4 计算量
1.4 小结
第 2章 图像生成模型：GAN和扩散模型
2.1 图像生成模型的技术演化
2.1.1 第一代图像生成模型：VAE
2.1.2 第二代图像生成模型：GAN
2.1.3 第三代图像生成模型：基于流的模型
2.1.4 第四代图像生成模型：扩散模型
2.1.5 第五代图像生成模型：自回归模型
2.2 “旧画师”GAN
2.2.1 生成对抗原理
2.2.2 生成能力的进化
2.2.3 GAN时代的“图生图”
2.2.4 GAN的技术应用
2.3 “新画师”扩散模型
2.3.1 加噪过程：从原始图像到噪声图
2.3.2 去噪过程：从噪声图到清晰图像
2.3.3 训练过程和推理过程
2.3.4 扩散模型与GAN
2.4 扩散模型的U-Net模型
2.4.1 巧妙的U形结构
2.4.2 损失函数设计
2.4.3 应用于扩散模型
2.5 扩散模型的采样器
2.5.1 采样器背后的原理
2.5.2 如何选择采样器
2.6 训练一个扩散模型
2.6.1 初探扩散模型：轻松入门
2.6.2 深入扩散模型：定制艺术
2.7 小结
第3章 Stable Diffusion的核心技术
3.1 图像的“压缩器”VAE
3.1.1 从AE到VAE
3.1.2 图像插值生成
3.1.3 训练“餐厅评论机器人”
3.1.4 VAE和扩散模型
3.2 让模型“听话”的CLIP
3.2.1 连接两种模态
3.2.2 跨模态检索
3.2.3 其他CLIP模型
3.2.4 CLIP和扩散模型
3.3 交叉注意力机制
3.3.1 序列、词符和词嵌入
3.3.2 自注意力与交叉注意力
3.3.3 多头注意力
3.4 Stable Diffusion是如何工作的
3.4.1 Stable Diffusion的演化之路
3.4.2 潜在扩散模型
3.4.3 文本描述引导原理
3.4.4 U-Net模型实现细节
3.4.5 反向描述词与CLIP Skip
3.4.6 “图生图”实现原理
3.5 小结
第4章 DALL·E 2、Imagen、DeepFloyd和Stable Diffusion图像变体的核心技术
4.1 里程碑DALL
4.1.1 DALL·E 2的基本功能概览
4.1.2 DALL·E 2背后的原理
4.1.3 unCLIP：图像变体的魔法
4.1.4 DALL·E 2的算法局限性
4.2 Imagen和DeepFloyd
4.2.1 Imagen vs DALL
4.2.2 Imagen的算法原理
4.2.3 文本编码器：T5 vs CLIP
4.2.4 动态阈值策略
4.2.5 开源模型DeepFloyd
4.2.6 升级版Imagen
4.3 Stable Diffusion图像变体
4.3.1 “图生图”vs图像变体
4.3.2 使用Stable Diffusion图像变体
4.3.3 探秘Stable Diffusion图像变体模型背后的算法原理
4.4 小结
第5章 Midjourney、SDXL和DALL·E 3的核心技术
5.1 推测Midjourney的技术方案
5.1.1 Midjourney的基本用法
5.1.2 各版本演化之路
5.1.3 技术方案推测
5.2 SDXL的技术方案与使用
5.2.1 惊艳的绘图能力
5.2.2 使用级联模型提升效果
5.2.3 更新基础模块
5.2.4 使用SDXL模型
5.3 更“听话”的DALL
5.3.1 体验DALL·E 3的功能
5.3.2 数据集重新描述
5.3.3 生成数据有效性
5.3.4 数据混合策略
5.3.5 基础模块升级
5.3.6 扩散模型解码器
5.3.7 算法局限性
5.4 小结
第6章 训练自己的Stable Diffusion
6.1 低成本训练*LoRA
6.1.1 LoRA的基本原理
6.1.2 LoRA的代码实现
6.1.3 用于图像生成任务
6.2 Stable Diffusion WebUI体验图像生成
6.2.1 本地AI图像生成模型
6.2.2 开源社区中的模型
6.2.3 体验AI图像生成功能
6.2.4 将多个模型进行融合
6.2.5 灵活的LoRA模型
6.3 Stable Diffusion代码实战
6.3.1 训练数据准备
6.3.2 基础模型的选择与使用
6.3.3 一次完整的训练过程
6.4 小结