Diffusion Models: 方法和应用的综合调查【01】Diffusion Models基础

最新推荐文章于 2024-09-14 08:47:44 发布

_Summer tree

最新推荐文章于 2024-09-14 08:47:44 发布

阅读量607

点赞数

分类专栏： Diffusion 文章标签：人工智能扩散模型 Diffusion 综述 Diffusion

本文链接：https://blog.csdn.net/NGUever15/article/details/131324769

版权

Diffusion 专栏收录该内容

23 篇文章 10 订阅

订阅专栏

Diffusion Models: 方法和应用的综合调查【01】Diffusion Models基础

原文链接：Diffusion Models: 方法和应用的综合调查【01】Diffusion Models基础
GitHub: https://github.com/YangLing0818/Diffusion-Models-Papers-Survey-Taxonomy.
Paper： https://arxiv.org/abs/2209.00796

文章目录

Diffusion Models: 方法和应用的综合调查【01】Diffusion Models基础

（更多内容后续会陆续发表）

01 概述

在本调查中，我们概述了扩散模型快速发展的工作主体，并将研究分为三个关键领域:

efficient sampling ,
improved likelihood estimation ,
methods for handling data with special structures.

我们还讨论了将扩散模型与其他生成模型相结合的可能性，以增强结果。具体包括：

variational autoencoders (VAEs) [135, 225],
generative adversarial networks (GANs) [77],
normalizing flows [53, 55, 199, 227],
autoregressive models [271],
energy-based models (EBMs)

我们进一步回顾了扩散模型在计算机视觉、自然语言处理、时间数据建模以及其他科学学科的跨学科应用等领域的广泛应用。对于每个任务，我们提供了一个定义，描述了如何使用扩散模型来解决它，并总结了相关的先前工作。

本调查旨在为扩散模型的状态提供一个情境化的、深入的观察，确定重点领域，并指出进一步探索的潜在领域。

Fig 1. 内容结构

02 Diffusion Models基础

扩散模型（Diffusion Models）是一组概率生成模型，它通过注入噪声逐步破坏数据，然后学习反转这个过程来生成样本。

Fig 2. 扩散模型通过添加噪声平滑地扰动数据，然后将这一过程反过来从噪声中生成新数据。反向过程中的每个去噪步骤通常都需要估计分数函数(见右图)，分数函数是指向具有较高似然性和较少噪声的数据方向的梯度。

目前关于扩散模型的研究主要基于三个主要公式:

去噪扩散概率模型(DDPMs)[90, 166, 215]，
基于分数的生成模型(SGMs)[220, 221]
随机微分方程(Score SDEs)[219, 225]。

下面将分别介绍这三部分内容。

去噪扩散概率模型(DDPMs)

去噪扩散概率模型(denoising diffusion probabilistic model, DDPM)[90,215]利用了两条马尔可夫链:将数据扰动为噪声的正向链和将噪声转换回数据的反向链。前者通常是手工设计的，目的是将任何数据分布转换为简单的先验分布(例如，标准高斯分布)，而后者的马尔可夫链通过学习由深度神经网络参数化的转移核来逆转前者。通过首先从先验分布中抽样一个随机向量，然后通过反向马尔可夫链进行祖先抽样，从而生成新的数据点[125]。

以 $x_0$ 为条件的联合分布 $x_1,x_2,...,x_T$ ,即 $q(x_1,x_2,...,x_T | x_0)$ 可以表示为：

在DDPM中，我们手工制作转换内核 $q(x_t|x_{t−1})$ ，以增量方式将数据分布 $q(x_0)$ 转换为可处理的先验分布。

其中 $\beta_t \in (0,1)$ 是在模型训练之前选择的超参数。指定 $\alpha_t :=1-\beta_t, \hat{\alpha}_t:=\prod^t_{s=0} \alpha_s$ , 则可推导出:

给定 $x_0$ ，我们可以很容易地通过对高斯向量 $\epsilon \sim N (0, I)$ 进行采样并应用变换来获得 $x_t$ 的样本:

其中， $\hat{\alpha}_T \approx 0$ .

反向马尔可夫链参数化为先验分布 $p(x_T)= N (x_T;0, I)$ 和可学习转换内核 $p(x_{t−1} | x_t)$ ,具体的形式如下：

其中， $\theta$ 为模型参数，均值 $u_{\theta}(x_t,t)$ 和方差 $\Sigma_{\theta}(x_t,t)$ 用深度神经网络参数化。有了这个反向马尔可夫链，我们可以通过首先对噪声向量 $x_T \sim p(x_T)$ 进行采样，然后从可学习的转换核 $x_{t−1} \sim p(x_{t−1} | x_t)$ 迭代采样，直到𝑡= 1，来生成数据样本 $x_0$ .

训练目标如下：

基于分数的生成模型(SGMs)

基于分数的生成模型[252,253]的核心是(Stein)分数(又称分数或分数函数)的概念[108]。给定一个概率密度函数𝑝(x)，其得分函数定义为对数概率密度的梯度 $\nabla x l o g p (x)$ 。基于分数的生成模型(SGMs)[220]的关键思想是用一系列增强的高斯噪声扰动数据，并通过训练一个以噪声水平为条件的深度神经网络模型(在[220]中称为噪声条件分数网络，NCSN)，共同估计所有噪声数据分布的分数函数。样本是通过使用基于分数的采样方法(包括Langevin Monte Carlo[81、110、176、220、225]、随机微分方程[109、225]、常微分方程[113、146、219、225、277]以及它们的各种组合[225])，在降低噪声水平下链接分数函数来生成的。

SGMs的一个典型例子涉及将数据点 $x_0$ 扰动到 $x_t$ 通过高斯噪声分布 $q(x_t| x_0 = \mathcal{N}(x_t;x_0,\sigma^2_t I)$ ．这就产生了一系列噪声数据密度 $q(x_1)、q(x_2)，···，q(x_T)$ , 其中，
$q(x_t):= \int q(x_t) q(x_0) d x_0$ .