圖片生成技術導論
課程概述
圖片生成大概是生成式 AI 裡最吸睛的應用了，畢竟結果直接用眼睛就看得到。這堂課帶你看看圖片生成技術一路怎麼演進，仔細認識目前的主流架構 Diffusion Model，還有 Google 的 Imagen 模型怎麼在 Vertex AI 上提供企業級的圖片生成能力。
你將學到
- 追溯圖片生成技術的演進：從 GAN 到 VAE 再到 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
- 掌握 Google Imagen 在 Vertex AI 上的使用方式與限制
核心概念
圖片生成的三代技術
圖片生成技術主要走過三個世代。第一代是 GAN（生成對抗網路），靠生成器跟判別器互相對抗來訓練、產生圖片，問題是訓練不穩定，又容易出現模式崩潰。第二代是 VAE（變分自編碼器），把圖片編碼到潛在空間再解碼回來，訓練是穩了，但生成品質就有限。第三代就是 Diffusion Model（擴散模型），也是現在的主流架構，生成品質明顯把前兩代甩在後面。
Diffusion Model 的運作原理
Diffusion Model 的核心概念，意外地簡單。正向過程（Forward Process）就是一步步在圖片上加高斯噪聲，加到整張變成純隨機噪聲為止。逆向過程（Reverse Process）則是訓練一個神經網路，學會每一步「去掉一點噪聲」，從純噪聲一路還原出清晰的圖片。再加上文字條件（Text Conditioning），模型就能照著文字描述產生對應的圖片。
Text-to-Image 的技術架構
一個典型的文字到圖片系統，主要有三個組件：文字編碼器（像 CLIP 或 T5）負責把文字描述轉成語義向量；Diffusion Model 在潛在空間裡照著文字條件去噪、生成；解碼器（Decoder）再把潛在空間的表徵轉回像素空間的高解析度圖片。這三者配合得好不好，直接決定了生成的圖片跟文字描述對不對得上。
Google Imagen 的特色
Imagen 是 Google 的旗艦圖片生成模型，在 Vertex AI 上提供服務。跟其他模型比，Imagen 在文字-圖片對齊、照片寫實度，還有複雜場景的構圖上都表現得很好。它同時支援圖片生成（Text-to-Image）、圖片編輯（Inpainting / Outpainting）、風格轉換，還有超解析度放大這些功能。企業版本則內建安全篩選，擋掉不當內容。
實作重點
- 在 Vertex AI Studio 中使用 Imagen 模型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
- 測試 Negative Prompt（排除不想要的元素）對生成結果的影響
- 了解 Imagen 的使用限制：不生成特定人物的面孔、內建版權保護機制
Lab 導讀
Lab 連結：Introduction to Image Generation — Google Cloud Skills Boost
這個 Lab 以技術原理講解為主，搭配視覺化的演示來說明 Diffusion Model 怎麼運作。測驗重點包括 GAN、VAE、Diffusion Model 三者的比較，還有 Forward / Reverse Process 的概念。建議特別搞懂一件事：Diffusion Model 為什麼在品質上贏過 GAN？關鍵就在於它訓練過程比較穩，多樣性也更好。
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