1. main contribution
(来自Score-based Generative Model的原文)
1)提供了一个统一SMLD(denoising score matching with langevin dynamics)和DDPM的框架。
2)提供了两个针对求解reverse-time的SDE求解器:一个求解器将数值SDE求解器与score based MCMC方法相结合,另一个求解器主要基于probability flow ode。
Understanding Diffusion Models A Unified Perspective 部分的推导并不太合理,以下内容只包含了作者对Score-based Generative Models的一些看法。
2. Score-based Generative Models
1)采样过程使用了Langevin dynamics
其中噪声属于标准正态分布,这使得样本不总是导向一个mode,还会采样到mode周围增加样本多样性。
2)需要已知真实的score function.。
由于优化的目标函数为,最小化真实分数和网络的Fisher Divergence。 因此对于未知真实的score function 的情况需要使用其他采样方法如sliced-score matching。
3.简单直接的score matching主要存在以下三个问题
(观点来自:Generative modeling by estimating gradients of the data distribution):
一,当x位于高维空间的低维流形上,目标的score function就难以求解。因为所有不在低维流形上的点的概率为零,likelihood不存在。
二、在低密度区域,使用简单直接的score matching会导致结果不准确。直观的理解,模型在不常见的样本上可学习到的信号非常少,而学习到更多噪声。
三、langevin dynamics采样不适合存在混合的分布。因为log->梯度会使得混合分布的比例系数丢失。即使某个分布有更大的比例系数,但采样到该分布的概率和其他分布相同。
以上三个问题的解决方案:
向分布增加多个程度的高斯噪声:
目标函数变化为:
其中为noise level,并且
是在不同噪声程度的权重。
----------------------------------------
1. flexible function
用带参函数拟合任意函数,选择参数使得函数的一阶导和二阶导和被拟合函数的一阶导、二阶导相同?? (好像并不是常用概念)
2.为什么在已知后验分布的分析式后还要采样
有时候分布太复杂,而不能直接求解积分,如函数的期望、范围。
4.什么是低维流形(low-dimensional manifold)
当你站在上面会认为是一个有限维度的无穷空间,如站在地球上,认为地球是一个2d无穷平面。
5.MCMC方法
包括the Metropolis-adjusted Langevin algorithm (MALA) or Langevin Monte Carlo (LMC)
MCMC方法主要被用在不能直接得到概率分布的数学表达的时候,即Monte Carlo sampling方法不能被使用。 因此通过Markov Chain采样。