---
id: stable-diffusion
title: "Stable Diffusion"
category: "AI_and_ML"
status: "draft"
verification_status: "conceptual"
canonical_id: ""
aliases: ["SD", "스테이블 디퓨전", "Latent Diffusion Model", "오픈소스 이미지 AI", "A1111", "ComfyUI", "SDXL"]
duplicate_of: ""
source_trust_level: "A"
confidence_score: 0.92
created_at: 2026-06-26
updated_at: 2026-06-26
review_reason: ""
merge_history: []
tags: ["research", "image Prompt 작성 방법", "Stable Diffusion", "Open Source AI", "Denoising"]
raw_sources: [
  "AI for Images: Midjourney, DALL-E, Stable Diffusion, Firefly – Complete Guide",
  "AI 이미지 프롬프트 엔지니어링의 이론적 기초와 모델별 최적화 실무 방법론",
  "Stable Diffusion prompt: a definitive guide - Stable Diffusion Art",
  "Flux vs Stable Diffusion vs Midjourney Comparison - Artsmart.ai",
  "Midjourney vs Stable Diffusion vs Flux: Which Wins? (2025) - PXZ AI",
  "How to Use Negative Prompts in Stable Diffusion (2025) - QWE AI Academy",
  "Stable Diffusion Negative Prompt: Optimize Your AI Art - AI Photo Generator",
  "How to use positive and negative prompts in Stable Diffusion - Graydient AI"
]
applied_in: ["Meteora_Web_Furniture_Variant_Catalog", "E-commerce_Image_Batch_Automation"]
github_commit: ""
---

# [[Stable Diffusion]]

## 🎯 한 줄 통찰 (One-line insight)
Stable Diffusion은 잠재 공간(Latent Space)에서의 **역확산(Reverse Diffusion) 연산을 사용자에게 완전히 개방**하여, 수학적 가중치 조절과 보조 신경망 결합을 통해 **이미지 생성의 전 과정을 미세 통제할 수 있게 하는 오픈소스 워크호스**이다 [S5, S44, S432].

## 🧠 핵심 개념 (Core concepts)
- **잠재 확산 모델 (Latent Diffusion):** 고해상도 픽셀 공간이 아닌 압축된 잠재 공간에서 연산을 수행하여 계산 효율성을 극대화하고 로컬 환경 구동을 가능케 함 [S432, S433].
- **확장 신경망 (Extensions):** **ControlNet**(기하학적 제어) 및 **LoRA**(미세 조정 모델)를 결합하여 특정 화풍이나 구도를 기하학적으로 강제함 [S5, S433, S1016].
- **가중치 문법 (Weighting Syntax):** 텍스트 임베딩 단계에서 토큰별 물리적 지배력을 숫자로 조율(Factor)하는 연산 체계 [S44, S721].
- **무조건적 샘플링 가이던스 (Negative Prompting):** 생성 과정에서 불필요한 확률 영역으로의 발산을 막는 반발 가드레일을 독립된 입력 필드로 관리 [S45, S46, S1107].

## 🧩 추출된 패턴 (Extracted patterns)
- **조각가 패턴 (Sculptor Pattern):** 노이즈라는 거대한 대리석에서 긍정 프롬프트(목적지)와 부정 프롬프트(경계)라는 치슬(Chisel)을 사용해 형태를 깎아내는 설계 철학 [S803, S1176].
- **프롬프트 스케줄링 (Morphing Pattern):** 생성 단계(Step)별로 피사체나 화풍을 교체하여 글로벌 구도와 마이크로 텍스처를 분리 제어하는 패턴 [S45].
- **계단식 가중치 누적 (Nested Weighting):** 소괄호(`()`)나 대괄호(`[]`)를 중첩 사용하여 특정 키워드의 중요도를 지수적으로 증폭시키거나 감쇄시키는 방식 [S44, S721].
- **점진적 정제 루프 (Iterative Refinement):** 짧은 프롬프트로 시작해 결함을 진단하고, 필요한 기술적 어휘를 최소한으로 추가하며 결과물을 깎아내는 워크플로우 [S1115, S1130].

## ⚖️ 비교 및 선택 기준 (Comparison & decision criteria)

| 항목 (Option) | 장점 | 단점 | 언제 선택 |
|---|---|---|---|
| **Stable Diffusion** | **최대 제어권**, 로컬 실행, 무한한 커스터마이징, 비용 무료 [S5, S13, S804] | 높은 학습 곡선, 하드웨어(GPU) 사양 요구, 품질 불균형 [S13, S806] | **상업용 제품 카탈로그 일관성 유지**, 특정 캐릭터/포즈의 정밀 제어 필요 시 [S5, S11, S809] |
| **Midjourney** | 압도적 미적 품질, 자연어 순응도 높음, 저사양 가능 [S3, S768, S796] | 폐쇄형 시스템, 텍스트 구현 약함, 구독료 발생 [S4, S798] | 신속한 컨셉 아트 및 시각적 영감이 최우선일 때 [S14, S800, S838] |
| **DALL-E 3** | 극강의 자연어 이해, 타이포그래피 정확도 [S4, S48, S1013] | 매개변수 미세 제어 불가, 일러스트 편향 [S5, S48] | 복잡한 상황 묘사나 텍스트 포함 드래프트 제작 시 [S4, S52] |

## 📖 세부 내용 (Details)

### 1. 물리적 노이즈 제어 문법
- **가중치 수식:** `(keyword:factor)` 형태를 취하며, 1.0보다 크면 표현 강도가 증가하고 작으면 약화됨 [S44, S721]. AUTOMATIC1111 환경에서 `(keyword)`는 1.1배, `[keyword]`는 0.9배의 가중치를 가짐 [S44, S721].
- **스케줄링:** `[keyword1 : keyword2 : factor]` 문법을 통해 전체 생성 스텝 중 특정 시점(factor)에서 피사체를 교체할 수 있음 (예: 초기엔 인물 형상, 후기엔 텍스처 반영) [S45].
- **토큰 최적화:** 75(또는 77)토큰 한계를 우회하기 위해 `BREAK` 구문을 사용하여 강제 청크 분할을 적용, 개념 간 간섭을 차단함 [S45, S46].

### 2. 아키텍처 버전별 진화 및 최적화 전략 [S46, S647]
- **V1.5:** 해부학적 데이터가 한정적이므로 인체 교정을 위해 5~15개 내외의 **중량급 네거티브 프롬프트**가 필수적임.
- **XL (SDXL):** 거대해진 듀얼 텍스트 인코더를 사용하여 긴 네거티브 나열 시 오히려 품질이 저하됨. 2~5개의 **극소 품질 지시어**만 권장함.
- **V3 / 3.5:** MMDiT 구조로 텍스트 결합력이 우수해져 네거티브가 거의 불필요하며, 과도한 제약은 본래의 디테일을 훼손함.

### 3. CFG Scale (가이던스) 운용 [S46, S1016, S1142]
- 모델이 프롬프트를 얼마나 엄격하게 준수할지 결정하는 수치로, **7~12 범위**가 창의성과 정확성의 스윗 스팟으로 간주됨.
- CFG가 15 이상으로 높아지면 색상 과포화나 구조 붕괴(Deep-fried artifacts)가 발생할 위험이 비약적으로 상승함.

## ⚖️ 모순 및 업데이트 (Contradictions & updates)
- **프롬프트 길이에 대한 모순:** 과거에는 "masterpiece", "8k" 등 대량의 미사여구가 품질을 높인다고 믿었으나, OpenCLIP 등 최신 인코더에서는 이러한 단어가 **오히려 노이즈를 유발**하거나 성능을 저하시키는 것으로 판명됨 [S45, S646, S725].
- **부정 프롬프트의 한계:** 네거티브 프롬프트는 훈련 데이터에 없는 개념(예: 완벽한 손가락)을 강제할 수 없으며, 단지 낮은 확률의 노이즈 영역으로 밀어내는 역할만 수행함 [S648, S654].

## 🛠️ 적용 사례 (Applied in summary)
- **Meteora Web 가구 카탈로그:** 제품의 원형(Silhouette)을 ControlNet으로 고정하고, Stable Diffusion의 가중치 조율을 통해 **동일 조명/배경 하에 50개 이상의 제품 색상 변체**를 생성하여 비용을 80% 절감함 [S5, S11, S30].
- **E-commerce 배치 자동화:** Python 스크립트와 결합된 ComfyUI 워크플로우를 통해 수백 장의 제품 이미지를 일괄 생성 및 배경 제거(rembg) 처리하는 파이프라인 구축 [S6, S11, S25].

## 💻 코드 패턴 (Code patterns)

### 로컬 환경 구축 패턴 (Windows/NVIDIA)
```bash
# ComfyUI 또는 A1111 구동을 위한 필수 환경
# 사양: Python 3.10.6, NVIDIA GPU (6GB+ VRAM 권장) [S6, S812]

git clone https://github.com/comfyanonymous/ComfyUI.git # 또는 A1111 리포지토리
pip install -r requirements.txt
python main.py # 실행 후 localhost:8188 또는 7860 접속 [S6, S812]
```

### A1111 프롬프트 가중치 응용 패턴
```text
# 특정 요소 강조 및 네거티브 필터링 예시
Prompt: (golden sunrise:1.2), photorealistic, (Hasselblad X2D 100C:1.1)
Negative: (extra fingers:1.4), blurry, low quality, watermark, [shadow]
# ( )는 1.1배 증가, [ ]는 0.9배 감소, 숫자는 직접 지정 [S44, S721, S1017]
```

## ✅ 검증 상태 및 신뢰도
- **상태:** draft
- **검증 단계:** conceptual (실무 에이전시의 대량 생산 파이프라인 적용 데이터 기반)
- **출처 신뢰도:** A (공식 문서, 전문 기술 블로그, 커뮤니티 검증 데이터 포함)
- **신뢰 점수:** 0.92
- **중복 검사 결과:** 신규 생성 (New discovery)

## 🔗 지식 그래프 (Knowledge Graph)
- **상위/루트:** [[image Prompt 작성 방법]]
- **관련 개념:** [[Diffusion Models]], [[Prompt Engineering]], [[ControlNet]], [[Negative Prompt]], [[CFG Scale]]
- **참조 맥락:** 고밀도 제어가 필요한 상업용 시각 자산 제작 및 로컬 하이브리드 워크플로우 설계 시 참조.

## 📚 출처 (Sources)
- [S5] Meteora Web Agency: Total Control with Stable Diffusion
- [S6] ComfyUI Local Installation and Python 3.10 requirements
- [S11] AI for E-commerce: Product Variant Generation Techniques
- [S44] 스테이블 디퓨전 가중치 조절 수식 및 역확산 연산 가이드
- [S45] 프롬프트 스케줄링 및 BREAK 청크 분할 원리
- [S46] 아키텍처 버전별(SD 1.5, XL, 3.5) 네거티브 구성 및 CFG 통제 기준
- [S432] Latent Diffusion 정의 및 훈련 데이터 역확산 프로세스
- [S433] ControlNet 및 LoRA 신경망 확장 기법 정의
- [S647] 모델 버전별 네거티브 프롬프트 행동 차이 분석
- [S721] ( ) 및 [ ] 괄호 가중치 수학적 배수 처리 정의
- [S803] 역확산 과정과 조각가 패턴 비유
- [S804] 스테이블 디퓨전의 오픈소스 특성 및 완전 제어권 정의
- [S812] A1111 설치 단계 및 환경 사양 가이드
- [S1016] CFG Scale 설정 범위(7~12) 및 모델 순응도 제어
- [S1107] Positive/Negative 지시문과 CFG의 균형 제어
- [S1176] 조각가와 치슬(Chisel)의 비유를 통한 프롬프트 설계 철학

## 📝 변경 이력 (Change history)
- 2026-06-26: Initial draft generated via Datacollector_MAC P-Reinforce engine. 로컬 제어 문법과 버전별 최적화 전략 합성 완료.