SD
autoencoder
CLIP text encoder
tokenizer最大长度为77（CLIP训练时所采用的设置），当输入text的tokens数量超过77后，将进行截断，如果不足则进行paddings，这样将保证无论输入任何长度的文本（甚至是空文本）都得到77×768大小的特征
问题：当输出超长prompt会分段处理？每段的权重如何处理？
UNet
text condition将通过CrossAttention模块嵌入进来，此时Attention的query是UNet的中间特征，而key和value则是text embeddings。
SD图生图
SD Inpainting
第一种形式：
第二种形式：
SD loss函数
SDXL
版权声明：本文为博主作者：Kuekua-seu原创文章，版权归属原作者，如果侵权，请联系我们删除！
原文链接：https://blog.csdn.net/u012554092/article/details/132490616
