استیبل دیفیوژن چیست؟

استیبل دیفیوژن یک مدل هوش مصنوعی مولد (Generative AI) است که می‌تواند تصاویر منحصربه‌فرد و فوتورئالیستی (واقع‌گرایانه) را از ورودی‌های متنی یا تصویری تولید کند. این مدل در سال ۲۰۲۲ معرفی شد. علاوه بر تصاویر، از این مدل می‌توان برای ساخت ویدیو و انیمیشن نیز استفاده کرد.

استیبل دیفیوژن بر پایه‌ی فناوری دیفیوژن (پراکندگی) و فضای پنهان (latent space) طراحی شده است. این ساختار باعث می‌شود نیاز به منابع پردازشی به‌شدت کاهش پیدا کند، و بتوان آن را روی دسکتاپ یا لپ‌تاپ‌هایی که کارت گرافیک (GPU) دارند اجرا کرد.

مدل استیبل دیفیوژن با استفاده از تکنیک یادگیری انتقالی (transfer learning) می‌تواند تنها با ۵ تصویر به‌خوبی برای نیازهای خاص شما تنظیم (fine-tune) شود.

این مدل با یک مجوز متن‌باز و آزاد در اختیار عموم قرار گرفته که آن را از مدل‌های پیشین متمایز می‌کند.

چرا استیبل دیفیوژن مهم است؟

استیبل دیفیوژن اهمیت دارد زیرا دسترسی‌پذیر و آسان برای استفاده است. این مدل می‌تواند روی کارت‌های گرافیک معمولی خانگی اجرا شود. برای اولین‌بار، هر کسی می‌تواند مدل را دانلود کرده و تصاویر دلخواه خود را تولید کند. همچنین، کاربران کنترل کاملی بر پارامترهای مهم دارند، مانند تعداد مراحل حذف نویز و میزان نویز اعمال‌شده.

استیبل دیفیوژن کاربرپسند است و برای ساخت تصویر نیازی به اطلاعات فنی اضافه نیست. این مدل یک جامعه کاربری فعال دارد، بنابراین مستندات و آموزش‌های فراوانی برای آن در دسترس است. این نرم‌افزار تحت لایسنس Creative ML OpenRAIL-M منتشر شده که به شما اجازه می‌دهد از آن استفاده کنید، آن را تغییر دهید و نسخه‌های تغییر یافته را منتشر کنید. اگر نسخه‌ای مشتق‌شده از این مدل منتشر کنید، باید آن را تحت همان لایسنس و همراه با نسخه اصلی لایسنس استیبل دیفیوژن ارائه دهید.

نحوه کار استیبل دیفیوژن

به‌عنوان یک مدل دیفیوژن، استیبل دیفیوژن با بسیاری از مدل‌های تولید تصویر دیگر تفاوت دارد.
در اصل، مدل‌های دیفیوژن از نویز گوسی (Gaussian Noise) برای رمزگذاری یک تصویر استفاده می‌کنند. سپس، با کمک یک پیش‌بینی‌کننده نویز و فرایند دیفیوژن معکوس (reverse diffusion)، تصویر را بازسازی می‌کنند.

اما چیزی که استیبل دیفیوژن را منحصربه‌فرد می‌کند این است که برخلاف بسیاری از مدل‌ها، از فضای پیکسلی مستقیم تصویر استفاده نمی‌کند. به‌جای آن، استیبل دیفیوژن از یک فضای پنهان (latent space) با وضوح پایین‌تر بهره می‌برد.

چرا این کار انجام می‌شود؟

برای مثال، یک تصویر رنگی با رزولوشن ۵۱۲x۵۱۲ حدود ۷۸۶,۴۳۲ مقدار عددی دارد. اما استیبل دیفیوژن تصویر را فشرده کرده و آن را به حدود ۱۶,۳۸۴ مقدار کاهش می‌دهد، یعنی ۴۸ برابر کوچک‌تر. این کاهش حجم داده باعث می‌شود نیاز پردازشی به‌شدت کم شود — به همین دلیل می‌توان استیبل دیفیوژن را روی یک دسکتاپ با کارت گرافیک NVIDIA و فقط ۸ گیگابایت رم اجرا کرد.

نکته کلیدی اینجاست که تصاویر طبیعی تصادفی نیستند؛ بنابراین مدل حتی در فضای فشرده‌شده هم می‌تواند اطلاعات کافی برای بازسازی دقیق تصویر داشته باشد. در مرحله رمزگشایی، فایل‌های VAE (خودرمزگذارهای تغییریافته) استفاده می‌شوند تا جزئیاتی مثل چشم‌ها با دقت بالا «نقاشی» شوند.

همچنین بخوانید : 8 سایت ساخت عکس با هوش مصنوعی در 2025

استیبل دیفیوژن از چه معماری استفاده می‌کند؟

استیبل دیفیوژن از معماری ماژولار و قدرتمندی استفاده می‌کند که شامل بخش‌های کلیدی زیر است:

🧠 1. خودرمزگذار تغییریافته (Variational Autoencoder – VAE)

VAE شامل دو بخش جداگانه است:

• Encoder: تصویر ۵۱۲×۵۱۲ را فشرده کرده و آن را به فضای نهفته (latent space) با ابعاد کوچکتر ۶۴×۶۴ تبدیل می‌کند که پردازش روی آن آسان‌تر است.

• Decoder: در انتهای فرایند، تصویر فشرده‌شده را به نسخه کامل ۵۱۲×۵۱۲ بازسازی می‌کند.

🌫 2. پراکندگی پیش‌رو (Forward Diffusion)

در این مرحله، نویز گوسی به‌تدریج به تصویر افزوده می‌شود تا در نهایت به تصویری کاملاً پر از نویز تصادفی برسیم که هیچ شباهتی به تصویر اصلی ندارد.
این فرایند فقط در زمان آموزش مدل استفاده می‌شود یا در عملیات‌های خاص مانند تبدیل تصویر به تصویر (image-to-image).

🔄 3. پراکندگی معکوس (Reverse Diffusion)

این مرحله همان بخش اصلی تولید تصویر است. مدل به‌صورت تکراری تلاش می‌کند نویز را حذف کرده و تصویر را به‌تدریج از حالت نویزی به شکل نهایی برگرداند.
مدل در هر مرحله یک “حدس” درباره مقدار نویز می‌زند و آن را از تصویر کم می‌کند — تا جایی که خروجی نهایی حاصل شود.

🔧 4. پیش‌بینی‌کننده نویز (Noise Predictor – U-Net)

برای حذف تدریجی نویز، استیبل دیفیوژن از مدل U-Net استفاده می‌کند:

• U-Net یک شبکه عصبی کانولوشنی است که در ابتدا برای بخش‌بندی تصاویر در پزشکی طراحی شد.

• در استیبل دیفیوژن، نسخه‌ای از ResNet برای تقویت عملکرد U-Net استفاده می‌شود.

• این شبکه نویز باقی‌مانده در فضای نهفته را تخمین می‌زند و آن را حذف می‌کند. این عمل چندین بار تکرار می‌شود (مثلاً 25 یا 50 مرحله، طبق تنظیمات کاربر).

✍️ 5. شرط‌گذاری متنی (Text Conditioning)

مهم‌ترین شکل شرط‌گذاری در استیبل دیفیوژن، پرامپت‌های متنی است:

• برای این کار از مدل CLIP استفاده می‌شود که هر کلمه از متن را به یک بردار ۷۶۸-بعدی تبدیل می‌کند.

• شما می‌توانید تا ۷۵ توکن در یک پرامپت استفاده کنید.

• این داده‌ی متنی سپس به‌صورت شرط (condition) به U-Net داده می‌شود تا تأثیر مستقیم بر خروجی نهایی تصویر داشته باشد.

---

استیبل دیفیوژن (Stable Diffusion) چه کارهایی می‌تواند انجام دهد؟

استیبل دیفیوژن یکی از پیشرفته‌ترین مدل‌های هوش مصنوعی در زمینه‌ی تولید تصویر از متن است و قابلیت‌های گسترده‌ای دارد که با سخت‌افزار متوسط (مثل کارت گرافیک خانگی) نیز قابل استفاده است. در ادامه، به مهم‌ترین کاربردهای آن اشاره می‌کنم:

🖼️ 1. تولید تصویر از متن (Text-to-Image Generation)

رایج‌ترین کاربرد استیبل دیفیوژن، تولید تصویر از طریق پرامپت‌های متنی است.
مثلاً با وارد کردن جمله‌ای مثل:

“A futuristic city with flying cars at sunset”
مدل تصویری مطابق با آن می‌سازد.

🔧 قابلیت‌ها:

• تغییر seed برای خروجی‌های متفاوت

• تنظیم تعداد مراحل حذف نویز (denoising steps) برای سبک‌های متنوع

🖌️ 2. تبدیل تصویر به تصویر (Image-to-Image Generation)

در این حالت، شما یک تصویر اولیه و یک پرامپت متنی وارد می‌کنید. مدل بر اساس هر دو، یک خروجی جدید تولید می‌کند.

📌 مثال:

• آپلود یک طرح دستی (اسکچ) + پرامپت “a colorful oil painting”

• خروجی: تبدیل اسکچ به تابلوی رنگ روغن رنگی

🎨 3. ساخت گرافیک، آثار هنری و لوگو (Artwork, Graphics & Logo Creation)

با استفاده از پرامپت‌های متنی، می‌توان انواع طرح‌های گرافیکی، نقاشی دیجیتال و حتی لوگو خلق کرد.
گرچه نمی‌توان خروجی دقیق را کاملاً پیش‌بینی کرد، اما با استفاده از یک اسکچ اولیه یا توضیح دقیق، می‌توان تا حد زیادی جهت‌گیری خروجی را مشخص کرد.

🧽 4. ویرایش و رتوش تصویر (Image Editing & Retouching)

استیبل دیفیوژن قابلیت ادیت تصویر با هوش مصنوعی را دارد. با استفاده از ابزارهایی مانند AI Editor می‌توانید:

🔧 قابلیت‌ها:

• ماسک کردن بخش خاصی از تصویر با براش

• وارد کردن یک پرامپت برای جایگزینی آن ناحیه

• حذف اشیاء، ترمیم عکس‌های قدیمی، تغییر چهره، اضافه کردن المان جدید

🎞️ 5. ساخت ویدیو (Video Creation)

با استفاده از افزونه‌هایی مانند Deforum (از GitHub)، می‌توانید کلیپ‌ها یا انیمیشن‌های کوتاه بسازید.

📌 کاربردها:

• افزودن استایل خاص به یک ویدیو یا عکس (مثلاً استایل نقاشی)

• ایجاد توهم حرکت در عکس‌ها (مثل حرکت آب، باد یا افکت‌های سینمایی)

• ترکیب پرامپت‌های مختلف برای ساخت صحنه‌های متحرک

✨ جمع‌بندی کاربردهای اصلی:

🔗 منابع معتبر برای مطالعه بیشتر درباره Stable Diffusion

1. 🔹 وب‌سایت رسمی پروژه Stable Diffusion (Stability AI)

   این مرجع اصلی توسعه‌دهندگان Stable Diffusion هست که نسخه‌های مختلف مدل‌ها، مستندات، و ابزارها در اون منتشر می‌شه:
   🌐 https://stability.ai

2. 🔹 ریپازیتوری گیت‌هاب Stable Diffusion (از Stability AI)

   سورس کد Stable Diffusion به صورت متن‌باز در گیت‌هاب منتشر شده و می‌تونی نسخه‌ها، کد آموزش، و نحوه اجرای مدل رو ببینی:
   🌐 https://github.com/CompVis/stable-diffusion

3. 🔹 مستندات رسمی در Hugging Face (Stable Diffusion)

   سایت Hugging Face مدل Stable Diffusion رو همراه با ابزارهای آنلاین برای اجرای سریع در اختیار کاربر قرار داده:
   🌐 https://huggingface.co/CompVis/stable-diffusion

4. 🔹 مقاله اصلی Stable Diffusion (Research Paper)

   مقاله‌ی رسمی که نحوه عملکرد و معماری مدل رو توضیح می‌ده در arXiv منتشر شده:
   📄 High-Resolution Image Synthesis with Latent Diffusion Models

5. 🔹 پلتفرم AWS – معرفی Stable Diffusion در Amazon Bedrock

   معرفی رسمی Stable Diffusion در AWS با قابلیت استفاده در سرویس Bedrock:
   🌐 https://aws.amazon.com/bedrock