圖片生成技術導論

課程概述

圖片生成很容易讓人有「輸入一句話，圖片就自己跑出來」的印象，但真正要拿來做產品或行銷素材，還得處理構圖、文字、品牌一致性、安全與授權。這堂課會先拆解 Diffusion Model 的基本原理，再把焦點拉回實務：怎麼產生、檢查、修改，最後才交付一張能用的圖。

你將學到

• 追溯圖片生成技術的演進：從 VAE、GAN 到 Diffusion Model
• 解釋 Diffusion Model 的正向擴散與逆向去噪過程
• 理解文字到圖片（Text-to-Image）的技術架構
• 了解 Google Imagen 的定位，以及它在 Gemini Enterprise Agent Platform（簡稱 Agent Platform，原 Vertex AI）上的生成端點已公告停用、要改看 Gemini 圖片模型

核心概念

圖片生成的三代技術

常見的生成架構包括 VAE（變分自編碼器）、GAN（生成對抗網路）與 Diffusion Model（擴散模型）。VAE 擅長學出連續的潛在空間，但早期生成結果常偏模糊；GAN 透過生成器和判別器對抗訓練，能做出銳利影像，卻比較難訓練，也可能發生模式崩潰；Diffusion 則靠逐步去噪生成圖片，訓練通常較穩定，也成為近年高品質圖片模型的重要路線。這不是單純的三代淘汰史，不同技術仍可能一起出現在現代系統裡。

Diffusion Model 的運作原理

Diffusion Model 的直覺不難。訓練時，正向過程（Forward Process）逐步替圖片加入噪聲，模型則學著預測每一步該去掉什麼。生成時再反過來，從隨機噪聲開始一輪一輪去噪。若加入文字條件（Text Conditioning），文字語義就能在過程中引導主體、構圖與風格。實際模型的數學和工程細節更複雜，但先抓住「不是一次畫完，而是反覆修正」就夠用了。

Text-to-Image 的技術架構

典型的潛在擴散系統可以先拆成三個部分：文字編碼器把描述轉成語義表示；去噪模型在潛在空間裡依照文字條件逐步生成；解碼器再把潛在表示還原成像素影像。這個拆法有助於理解 Diffusion，但不要把它當成所有圖片模型都完全相同的內部實作，尤其是能同時理解與產生圖片的原生多模態模型。

Google Imagen 的特色

Imagen 是 Google 的圖片生成模型家族，曾在 Agent Platform 上提供生成、編輯與放大等不同端點。使用代管模型時，除了畫質，也要確認模型版本、可用區域、人物生成設定、安全篩選與輸出來源標記。這些能力不一定集中在同一個模型或端點，開發前要以當下的模型文件為準。

時效提醒：Google 已在 2026 年 3 月 24 日的 Vertex AI release notes 公告棄用多個 Imagen 生成端點，並建議在 2026 年 6 月 30 日前遷移（此期限已過）。新專案不要照抄舊教材的模型 ID，請查看Vertex AI 版本資訊與模型生命週期頁中目前可用的 Gemini 圖片模型。本文保留 Diffusion 原理作為技術背景，不代表 Gemini 圖片模型的內部架構與 Imagen 完全相同。

%%{init: {"flowchart": {"curve": "linear", "nodeSpacing": 24, "rankSpacing": 32}}}%%
flowchart TB
  subgraph BRIEF["① 先把需求寫成可檢查的規格"]
      direction LR
      START["確認用途、尺寸、受眾<br/>品牌規範與禁用內容"] --> PROMPT["描述主體、場景、構圖、<br/>光線、風格與必要文字"]
      PROMPT --> GENERATE["選用目前受支援的模型<br/>產生數個候選版本"]
  end
  subgraph REVIEW["② 人工檢查，不只看好不好看"]
      direction LR
      GENERATE --> MATCH{"主體、構圖與文字<br/>符合原始需求嗎？"}
      MATCH -->|"符合"| SAFE{"有人物、品牌、敏感內容<br/>或可能誤導的細節嗎？"}
      SAFE -->|"沒有問題"| ACCESS["補上替代文字、來源資訊<br/>與必要的使用紀錄"]
  end
  MATCH -->|"不符合"| EDIT["調整提示、遮罩編修<br/>或更換候選圖"]
  SAFE -->|"需要確認"| HUMAN["交由有權責的人審核<br/>必要時改用授權素材"]
  EDIT --> GENERATE
  HUMAN --> EDIT
  ACCESS --> PUBLISH["依實際版位輸出<br/>最後再做裝置與裁切檢查"]

實作重點

• 在目前的 Studio 中確認可用圖片模型，再進行文字到圖片的生成實驗
• 嘗試不同風格的 Prompt（寫實照片、插畫、3D 渲染），觀察模型的風格適應能力
• 若所選模型支援 Negative Prompt，測試它對排除元素的影響；不支援時改用正向約束與後續編修
• 檢查所選模型的人物生成、安全篩選、輸出標記與資料使用限制，不要假設所有圖片模型設定相同

課程導讀

課程連結：Introduction to Image Generation — Google Skills

依課程頁，這門課只有一段影片和一個測驗，沒有實作 Lab；官方課程說明的重點是 diffusion models 的理論，以及怎麼在 Agent Platform 上訓練與部署。看影片時可以帶著這個問題：GAN、VAE、Diffusion 差在哪，Forward／Reverse Process 又各做什麼？與其背「哪個一定最好」，不如記住各自怎麼生成、訓練時容易遇到什麼問題，以及為什麼逐步去噪能帶來穩定且細緻的結果。

延伸學習

• 向量搜尋與嵌入技術 — Embedding 在圖片搜尋中的應用
• 圖片說明生成模型 — 從生成圖片到理解圖片的反向任務
• Gemini 多模態 RAG 文件檢索 — 多模態模型的進階應用