Nguyên lý Image Generation

Hướng dẫn: Chương này khám phá cơ chế work của generative visual large model. Đi từ bài toán "đốt GPU" trong high-dim pixel space, giải mã VAE, Diffusion Model, Cross-Attention. Interactive component giúp bạn — dù không có background AI — vẫn hiểu nhanh tech tiên tiến này!

🌃赛博朋克 (Cyberpunk)

🎨油画风景 (Oil Painting)

🌸二次元 (Anime)

👈 点击上方风格，开始创作

0. Mở đầu: thách thức "curse of dimensionality"

Khi ngạc nhiên với tuyệt phẩm của Midjourney hoặc Stable Diffusion, hiểu áp lực số máy phải chịu.

1 ảnh HD chuẩn $1024 \times 1024$ pixel, RGB 3-channel, cần ~3 triệu+ float.

Curse of Dimensionality: nếu để neural net trực tiếp ước estimate joint probability distribution trên Euclidean Space khổng lồ đó cho mỗi pixel, computational cost cực huỷ diệt + image dễ bị méo locally + semantic torn.

Vì vậy, algorithm hiện đại tìm bến đỗ giảm chiều: "Đừng cố tính trên canvas pixel hỗn loạn, đi vào feature space cô đặc cao mà điêu khắc chính xác."

---

1. Nền giảm chiều: Latent Space + magic compression VAE

Vì 1 bức tranh có nhiều phần thừa liên tục (vd vùng trời xanh đồng đều), ta có thể "đóng gói" feature. Cần Variational Autoencoder (VAE).

VAE đơn nhiệm vụ:

• Compress (Encoder): nén pixel space hàng triệu, extract feature + color structure → grid nhỏ. Grid mật độ cao này = Latent Space.
• Decode (Decoder): net generation tính trên latent grid. Sau khi feature low-dim ghép xong, VAE "nở" lại như mì ăn liền hút nước → pixel HD người thấy được.

👇 Click thử: kéo điểm đỏ trên space plane, cảm nhận chỉ 2 dim toạ độ thay đổi cực nhỏ → decode thành feature khác hoàn toàn!

😐

像素空间 (Pixel Space)

最终看到的图像

← 映射 →

VAE Decoder

开心值 (Happiness)

惊讶值 (Surprise)

Latent Vector: [0.0, 0.0]

潜空间 (Latent Space)

拖动红点改变特征

💡核心原理： 在像素空间里修改图片很难（要改几千个像素）。但在潜空间里，我们只需要修改两个坐标（开心值、惊讶值），就能生成完全不同的表情。这就是 AI "画画" 的本质——在数学空间里找坐标。

---

2. Core evolution: Diffusion Model bóc lớp sương mù

Canvas latent space sẵn, model làm sao gen feature đúng kỳ vọng?

Architecture thống trị hiện tại — Denoising Diffusion Probabilistic Model (DDPM) — dùng ý tưởng "điêu khắc ngược" tuyệt vời.

Như Michelangelo nói: "Tượng vốn ở trong đá, tôi chỉ bỏ phần thừa." Diffusion học 2 cực:

1. Add noise (Forward Process): định nghĩa toán = Markov chain destruction (SDE). Training, theo noise schedule thêm gaussian noise đều vào ảnh tốt → cuối ảnh sụp thành isotropic gaussian noise tinh khiết. (Model nhớ kỹ trajectory destruction).
2. Denoise (Reverse Process): inference, cho AI 1 đống white noise. U-Net hoặc DiT (Diffusion Transformer) bắt đầu work. Mỗi time step nhỏ predict: "Trong đống loạn này, phần nào là noise cần loại (Score function)?" + trừ đi.

Qua hàng nghìn lần lặp annealing + bóc, từ mosaic vô tự gen được feature ảnh tinh tế.

Step 0 / 50

纯噪声 (Pure Noise)

💡观察重点： 注意看，图像不是一下子变出来的，而是像在雾气中慢慢显影。这就是 Diffusion 的核心——它在不断猜测“噪声背后的真相”。

---

3. Multimodal alignment: hiểu lời người (Cross-Attention)

AI biết vẽ, nhưng nếu không control sẽ ra random. Muốn theo Prompt ("Cyberpunk cat") chính xác, cần cross-modal translation + spotlight.

• Translator (CLIP): contrastive language-image network. Biến mỗi mô tả Anh thành vector hàng trăm dim resonate với ảnh.
• Execute (Cross-Attention): thần bút trong model. Mỗi denoise step, image latent là Query, đi với CLIP text Key/Value.

Khi đến vẽ contour, vector "mèo" được attention amplify hình học, focus vào grid vùng sẽ thành body. Lúc này, ngôn ngữ bạn = đèn pin, chiếu sáng chỗ AI cần focus!

Prompt:"cyberpunk cat, neon lights, futuristic city"

cyberpunk

关注度: 80%

cat

关注度: 100%

neon

关注度: 70%

lights

关注度: 60%

futuristic

关注度: 50%

city

关注度: 90%

⬇️ CLIP Encoding & Attention

City Base

Neon Glow

Cat

💡交叉注意力 (Cross-Attention)： AI 在画画时，每画一笔都会回头看一眼 Prompt。当它画背景时，"city" 单词会亮起来；当它画主角时，"cat" 单词会亮起来。

---

4. Inference revolution: Flow Matching cao tốc

Diffusion traditional lý thuyết đẹp, nhưng chạy chậm. Vì dựa random inference, như mò trong mê cung khúc khuỷu (stochastic differential), gen 1 ảnh thường cần ~50 steps.

Để revolution performance, model top mới (SD3, Flux) introduce nền mới: Flow Matching (Continuous Normalizing Flows).

Với analytic geometry + Optimal Transport (OT) logic tối giản, model không random mò vòng. Algorithm bị strapped vào 1 quỹ đạo ODE (ordinary differential equation) gần thẳng từ noise → data!

Không vòng nữa! Model Flow Matching chỉ cần "low-dim" số steps cực thấp (chỉ 4-8 step) để render kết quả đẹp!

Diffusion (迷宫模式)0 Steps

噪声

图像

Flow Matching (直通模式)0 Steps

噪声

图像

💡核心区别： Diffusion 就像在走迷宫，虽然也能到终点，但绕了很多弯路（步数多）。Flow Matching 则是直接修了一条直线高速公路，所以 8 步就能走完别人 50 步的路。

---

5. Architecture summary

Khi nhấn <Enter> trong AI app gen ảnh, vài giây trong GPU:

1. Language translator (CLIP / Text Encoder): vector hoá ý đồ người → anchor instruction
2. Core engine (DiT + Flow Matching/Diffusion): trên latent grid abstract, qua Cross-Attention interference, high-concurrency loại noise gaussian
3. Compress map magnifier (VAE): gatekeeper cuối, decompress feature matrix nhỏ → màn hình HD

---

6. Glossary

Term	Full	Nghĩa
Latent Space	—	Math space giảm chiều mạnh; bản "draft cô đặc" chỉ AI artist hiểu
VAE	Variational Autoencoder	Size converter cực ngầu. Compress tỷ pixel, decompress final art lên
Diffusion	Diffusion Probabilistic Model	Algorithm mainstream extract feature + reverse predict. Loại dần noise isotropic → image emerge
CLIP	Contrastive Language-Image Pre-Training	Train trên tỷ ảnh + caption, link text với color/object
Cross-Attention	—	Cơ chế trộn feature trong model; ép image grid lúc compute phải check external language instruction
Flow Matching	—	Continuous mapping cao cấp build trên random mò, giải eq buộc 1 đường thẳng ổn → cắt rendering time hàng trăm lần

2026 cho VN dev

• Top model 2026: Flux 1.1 Pro (Black Forest Labs), Stable Diffusion 3.5, Google Imagen 3, Midjourney v7
• Open source: Flux dev (chạy được local), SDXL Turbo (4 step)
• API: Replicate (host nhiều open model), Fal.ai (fast inference)
• Edit ảnh AI: Adobe Firefly, FLUX Fill, ComfyUI workflow
• Video gen: Runway Gen-4, Pika 2.0, Sora, Veo 3
• VN dev: thử ComfyUI local cho project nội bộ, không upload sensitive content lên cloud