LoRA (LowRank Adaptation)
Stable Diffusion LoRA 是微软的研究人员为了解决大语言模型微调而开发的一项技术,它是一个多模态语言-图像模型，LORA 可以学习将其语言表征迁移到图像 modal 中从而获得跨模态语义一致的表示。LoRA 模型是 Stable-Diffusion 中的一个插件，仅需要少量的数据就可以进行训练的一种模型
LoRA是一种用于微调Transformer模型的微调方法，旨在通过添加额外的层来捕捉任务特定的参数，而不是更新原始模型的所有参数。
它通常用于在保持预训练模型大部分不变的同时，对模型进行特定任务的微调。
在Stable Diffusion中，LoRA可能用于微调模型以更好地适应特定的图像生成任务或风格。
LoRA 是一种训练技术，它允许用户在不修改原始模型参数的情况下，通过添加额外的、小的、低秩的适配层来微调模型。这种技术可以用于快速适应特定的图像生成任务或风格，而无需对整个模型进行重新训练。
在应用中，LoRA 通常以额外的文件形式存在，可以通过模型训练界面进行加载和应用。
大模型 (Large Models)
这通常指的是具有大量参数和强大能力的预训练模型，如Stable Diffusion中的基础模型。
这些模型在大量数据上进行预训练，能够生成高质量的图像。
大模型是Stable Diffusion进行图像生成的基础，提供了广泛的图像生成能力和多样性。
大模型通常指的是已经预训练好的、具有很高参数量的 Stable Diffusion 模型。这些模型可以生成高质量的图像，并且通常有一个特定的版本号或名称，如 "Stable Diffusion v1.4" 或 "Stable Diffusion v2"。
大模型是 Stable Diffusion 的核心，负责生成图像的基础质量和风格。
Stable Diffusion 模型的大小与其性能有着密切的关系。 一般来说，模型越大，其表达能力越强，生成的图像或文本质量也越高。 然而，过大的模型也会带来一些问题。 首先，大模型需要更多的计算资源来训练和推理，这会导致训练和推理速度变慢。
ControlNet
在 Stable Diffusion WebUI 中，ControlNet 是一个功能强大的插件，它允许用户通过线稿、动作识别、深度信息等方式对生成的图像进行精确控制。 通过 ControlNet，用户可以更加灵活地调整图像的各种属性，从而得到更符合自己需求的输出结果。
它可以与预训练的模型一起使用，以提供更细粒度的控制生成过程。
在Stable Diffusion中，ControlNet可以用来实现特定的图像布局、风格或内容要求。
它可以与 Stable Diffusion 模型结合使用，以提供更精确的控制生成过程。
ControlNet 通过引入额外的输入条件（如深度图、边缘图、语义分割图等）来指导图像生成，使得用户能够更准确地控制生成的图像内容。
在应用中，ControlNet 通常以插件或额外网络的形式集成到 Stable Diffusion 模型中，用户可以在生成图像时选择启用或关闭。