Stable Diffusion扩散模型【详解】新手也能看懂！！

最新推荐文章于 2024-09-28 11:53:56 发布

AI绘画咪酱

最新推荐文章于 2024-09-28 11:53:56 发布

阅读量644

点赞数 6

本文链接：https://blog.csdn.net/2401_84760322/article/details/142611536

版权

前言

文章目录

- 1、Diffusion的整体过程
- 2、加噪过程
- - 2.1 加噪的具体细节
  - 2.2 加噪过程的公式推导
- 3、去噪过程
- - 3.1 图像概率分布
- 4、损失函数
- 5、伪代码过程

此文涉及公式推导，需要参考这篇文章： Stable Diffusion扩散模型推导公式的基础知识

1、Diffusion的整体过程

扩散过程是模拟图像加噪的逆向过程，也就是实现去噪的过程，
加噪是如下图从右到左的过程，称为反向扩散过程，
去噪是从左往右的过程，称为前向扩散过程，

在这里插入图片描述

2、加噪过程

加噪过程如下图，下一时刻的图像是在上一时刻图像的基础上加入噪音生成的，
图中公式的含义： x t x_t xt表示 t 时刻的图像， ϵ t \epsilon_t ϵt 表示 t 时刻生成的随机分布的噪声图像， β t \beta_t βt表示 t 时刻指定的常数，不同时刻的 β t \beta_t βt不同，随着时间 t 的递增而增加，但需要注意 β t \beta_t βt的值始终是比较小的，因为要让图像的数值占较大的比例，

在这里插入图片描述

本次教程将使用AI绘画工具 Stable Diffusion 进行讲解，如还未安装SD的小伙伴可以扫描免费获取哦~

2.1 加噪的具体细节

A、将图像 x x x像素值映射到[-1,1]之间

图像加噪不是在原有图像上进行加噪的，而是通过把图片的每个像素的值转换为-1到1之间，比如像素的值是 x x x，则需要经过下面公式的处理 x 255 × 2 − 1 \frac{x}{255}\times2-1 255x×2−1，转换到范围是-1到1之间，

代码：

def get_transform():
    class RescaleChannels(object):
        def __call__(self, sample):
            return 2 * sample - 1

    return torchvision.transforms.Compose([torchvision.transforms.ToTensor(), RescaleChannels()])

B、生成一张尺寸相同的噪声图片，像素值服从标准正态分布
ϵ ∼ N ( 0 , 1 ) \epsilon \sim N(0,1) ϵ∼N(0,1)

x = {Tensor:(2, 3, 32, 32)}
noise = torch.randn_like(x)

C、 α \alpha α和 β \beta β
每个时刻的 β t \beta_t βt都各不相同，0 < β t \beta_t βt< 1，因为 β t \beta_t βt是作为权重存在的，且 β 1 < β 2 < β 3 < β T − 1 < β T \beta_1< \beta_2< \beta_3< \beta_{T-1}< \beta_T β1<β2<β3<βT−1<βT，

代码：

betas = generate_linear_schedule(
    args.num_timesteps,
    args.schedule_low * 1000 / args.num_timesteps,
    args.schedule_high * 1000 / args.num_timesteps)

β \beta β的取值代码，比如 β 1 \beta_1 β1取值low， β T \beta_T βT取值high，

# T:1000 Low/β1: 0.0001 high/βT: 0.02
def generate_linear_schedule(T, low, high):
    return np.linspace(low, high, T)

α t = 1 − β t \alpha_t=1-\beta_t αt=1−βt，

alphas = 1.0 - betas
alphas_cumprod = np.cumprod(alphas)
to_torch = partial(torch.tensor, dtype=torch.float32)
self.registerbuffer("betas", totorch(betas))
self.registerbuffer("alphas", totorch(alphas))
self.register_buffer("alphas_cumprod", to_torch(alphas_cumprod))
self.register_buffer("sqrt_alphas_cumpnod", to_torch(np.sqrt(alphas_cumprod)))
self.register_buffer("sart_one_minus_alphas_cumprod", to_torch(np.sqrt(1 - alphas_cumprod)))
self.registerbuffer("reciprocal sart_alphas", totorch(np.sart(1 / alphas)))
self.register_buffer("remove_noise_coeff", to_torch(betas / np.sqrt(1 - alphas_cumprod)))
self.registerbuffer("siqma"，to_torch(np.sqrt(betas)))

D、任一时刻的图像 x t x_t xt都可以由原图像 x 0 x_0 x0直接生成(可以由含 x 0 x_0 x0的公式直接表示)

x t x_t xt与 x 0 x_0 x0的关系： x t = 1 − α t ‾ ϵ + α t ‾ x 0 x_t=\sqrt{1-\overline{\alpha_t}}\epsilon+\sqrt{\overline{\alpha_t}}x_0 xt=1−αt ϵ+αt x0， α t = 1 − β t \alpha_t=1-\beta_t αt=1−βt， α t ‾ = α t α t − 1 . . . α 2 α 1 \overline{\alpha_t}=\alpha_t\alpha_{t-1}…\alpha_2\alpha_1 αt=αtαt−1…α2α1

由上式可知， β t \beta_t βt是常数，则 α t \alpha_t αt， 1 − α t ‾ \sqrt{1-\overline{\alpha_t}} 1−αt ， α t ‾ \sqrt{\overline{\alpha_t}} αt 也是常数， ϵ \epsilon ϵ也是已知的，所以可以直接由 x 0 x_0 x0生成 x t x_t xt，

def perturb_x(self, x, t, noise):
    return (extract(self.sqrt_alphas_cumprod, t, x.shape) * x +
            extract(self.sqrt_one_minus_alphas_cumprod, t, x.shape) * noise)

def extract(a, t, x_shape):
    b, *_ = t.shape
    out = a.gather(-1, t)
    return out.reshape(b, *((1,) * (len(x_shape) - 1)))

2.2 加噪过程的公式推导

加噪过程：

在这里插入图片描述

加噪过程的公式：

在这里插入图片描述

总结：

在这里插入图片描述

3、去噪过程

去噪是加噪的逆过程，由时间T时刻的图像逐渐去噪到时刻为0的图像，
下面介绍一下由时刻为T的图像 x T x_T xT去噪到时刻为T-1的图像 x T − 1 x_{T-1} xT−1，输入为时刻为t的图像 x t x_t xt和时刻t，喂给Unet网络生成 ϵ θ \epsilon_\theta ϵθ，其中 θ \theta θ是Unet网络的所有参数，然后由下图中的 x t − 1 {\bf x}_{t-1} xt−1的公式即可生成时刻为t-1的图像 x t − 1 {\bf x}_{t-1} xt−1，

在这里插入图片描述

3.1 图像概率分布

去噪过程的2个假设:
(1)加噪过程看作马尔可夫链，假设去噪过程也是马尔可夫链，
(2)假设去噪过程是高斯分布，

在这里插入图片描述

假设数据集中有100张图片，每张图片的shape是4x4x3，假设每张图片的每个channel的每个像素点都服从正态分布， x t − 1 x_{t-1} xt−1的正态分布的均值 μ \mu μ 和方差 σ 2 \sigma^2 σ2 只和 x t x_t xt有关，已知在t时刻的图像，求t-1时刻的图像，

在这里插入图片描述

1、因为均值和方差 μ ( x t ) \mu(x_t) μ(xt)， σ 2 ( x t ) \sigma^2(x_t) σ2(xt) 无法求出，所以我们决定让网络来帮我们预测均值和方差，
2、因为每一个像素都有自己的分布，都要预测出一个均值和方差，所以网络输出的尺寸需要和图像尺寸一致，所以我们选用 UNet 网络，
3、作者在论文中表示，方差并不会影响结果，所以网络只要预测均值就可以了，也就是说UNet网络输出只需要输出均值就可以了，

4、损失函数

在这里插入图片描述
我们要求极大似然的最大值，需要对 μ \mu μ和 σ \sigma σ求导，但是对于扩散的过程是不可行的，如下面的公式无法求出，因为 x 1 : x T x_1:x_T x1:xT的不同组合所求出的 x 0 x_0 x0的值也不同，
p ( x 0 ) = ∫ x 1 : x T p ( x 0 ∣ x 1 : x T ) d x 1 : x T p(x_0)=\int_{x_1:x_T}p(x_0|x_1:x_T)d_{x_1:x_T} p(x0)=∫x1:xTp(x0∣x1:xT)dx1:xT

为了实现对极大似然函数的求导，把对极大似然求导的问题转换为ELBO :Evidence Lower Bound

在这里插入图片描述

对ELBO的公式继续进行化简，

在这里插入图片描述

首先来看 q ( x t − 1 ∣ x t , x 0 ) q(x_{t-1}|x_t,x_0) q(xt−1∣xt,x0)表示已知 x 0 x_0 x0和 x t x_t xt的情况下推导 x t − 1 x_{t-1} xt−1，这个公式是可以求解的，如上图公式推导； p θ ( x t − 1 ∣ x t ) p_{\theta}(x_{t-1}|x_t) pθ(xt−1∣xt)需要使用 Unet 预测出该分布的均值，

q ( x t − 1 ∣ x t , x 0 ) q(x_{t-1}|x_t,x_0) q(xt−1∣xt,x0)公式的推导如下：

在这里插入图片描述

综上可知，UNet是在预测下面的公式，下面的公式中除了 ϵ \epsilon ϵ之外都是已知量，所以UNet网络实际预测的就是 ϵ \epsilon ϵ，
在这里插入图片描述

5、伪代码过程

下图是训练阶段的伪代码，第1行和第6行表示第2行到第5行的代码一直在循环，直到模型收敛，
第2行：从数据集中筛选出一张图像，即为 x 0 \bf{x}_0 x0,
第3行：从0到 T T T的均匀分布中筛选出 t t t，源码中 T T T的范围设为1000，
第4行：从均值为0，方差为1的标准正态分布中采样出 ϵ \epsilon ϵ， ϵ \epsilon ϵ的size和 x 0 \bf{x}_0 x0的size是相同的，
第5行： x t x_t xt和从0到 T T T的均匀分布中筛选出的 t t t 喂给Unet，输出 ϵ θ \epsilon_\theta ϵθ，和第4行代码采样出的 ϵ \epsilon ϵ， ∣ ∣ ϵ − ϵ θ ( . . . ) ∣ ∣ 2 ||\epsilon-\epsilon_\theta(…)||^2 ∣∣ϵ−ϵθ(…)∣∣2的均方差作为损失函数，对这个损失函数求梯度进行参数更新，参数是Unet所有参数的集合 θ \theta θ，

在这里插入图片描述

下图是推导/采样/生成图片阶段的伪代码，

第1行：从随机分布中采样一个 x T {\bf x}_T xT，
第2行：遍历从 T T T到1，
第3行：从随机分布中采样一个 z \bf{z} z，
第4行：已知 z \bf{z} z、 α t \alpha_t αt、 σ t \sigma_t σt， ϵ θ \epsilon_\theta ϵθ是Unet网络生成的，就可以得到 x t − 1 {\bf x}_{t-1} xt−1
循环2-4行代码，

在这里插入图片描述