【前沿模型解析】潜在扩散模 1 | LDM第一阶段-感知图像压缩总览

0 开始~

从今天起呢，我们会剖析LDM（潜在扩散模型）

从去年开始，大量的生成模型涌现出来

而你如果在阅读系列文章的时候，发现很多都是基于扩散模型的~

那么LDM在扮演着一个什么角色呢？

我认为

1. 开创性：他是AIGC领域非常重要的模型之一，他将图像生成带到了一个新的高度，为Stable Diffusion这类经典开源AIGC模型奠定了基础
2. 综合性：同时他也是一个很综合的模型，网上很多一些博客将VAE，GAN，扩散模型这些生成模型分割开来，但是从某种意义来说，你在LDM里面可以同时见到三种模型的影子，也就是说他集成了三类模型的智慧，怪不得他这么强~
3. 传递性：他也是一个承前启后的模型，前有DDPM，DDIM等工作带火了扩散模型，后有如潜在一致性模型（LCM），ControlNet等模型，深入了解这一部分内容，方便我们更好地去了解AIGC模型大家族~

那么学习过程中可能会遇到什么问题呢？

首先最重要的是网络结构本身复杂，再者代码也不容易看懂，LDM代码是通过包含着大量的动态导入包，Pytorch_lighting框架实现，不是我们所熟悉的pytorch框架，因而会对代码阅读造成更大的困难~

我会从理论到代码实践全方位剖析LDM，方便大家后续的学习~

LDM是两阶段模型

• 第一阶段：对于图像进行压缩提取特征
• 第二阶段：压缩后在隐空间上进行扩散

我们首先讲LDM的第一阶段（代码中往往看到first_stage即这个阶段）图片压缩，实现从像素空间到隐空间的转换

1 感知压缩的目的

首先回答最重要的一个问题

为什么要进行像素空间的压缩？

• 同时压缩对应的可以减小之后扩散模型的计算量，高效快捷，原本像素空间比如是256*256*3 现在变成了16*16*3

具体怎么实现压缩的呢？

那就不得不提到我们的编码器-解码器家族系列了

2 自回归编码器-解码器生成模型一览

2.1 AE 自编码器

$z=e(x)$

AE （Auto-Encoder）即自编码器，是比较早提出进行图片压缩的

AE包含一个编码器和一个解码器。

训练时，输入图像$x$会被编码成一个较短的向量$z$，再被解码回和$x$相同形状的$\overline{x}$ ，最小化$x$和$\overline{x}$ 的差异，让重建出来的图像尽可能和原图相似 即$z=argmi{n}_z||x-\overline{x}|{|}^2$

解码器部分可以看做压缩，那么编码器部分就是一个生成模型呀！

所以我们只要拿到一个向量$z$，就可以得到一个图片

但是问题来了，解码器只认得从编码器来的向量，而不认识其他向量，导致解码器不能很好的进行随机生成图片

所以VAE就来了~

2.2 VAE 变分自编码器

AE距离生成图像就差一步，想一想，如果我们编码后的向量服从某一个规律，比如服从正态分布，那么这时候从这个正态分布随机采样一个向量，就可以生成图片了，这时候还可以生成一些多样的原本没有的图片

VAE就是如此

对于任意输入图像$x_i$，VAE编码器会得到一个对应的均值和方差，对应的某一个正态分布就得到了

最后从这个正态分布采样得到隐变量$z$传入生成器里面得到重构后的${\overline{x}}_i$ 最小化$x$和${\overline{x}}_i$ 的差异，让重建出来的图像尽可能和原图$x_i$相似

但是这里注意，如果我们就这样停止了，那么会有一个问题。模型为了恢复的更好，会将编码后的方差逐渐变为0（方差可以理解为噪声），这时候实际上就退化成了AE了，为了避免退化，VAE让编码后的向量尽可能服从0均值1方差

综上，接近标准正态分布的好处就是

1 我们可以从正态分布采样隐藏变量z，方便生成

2 避免退化为AE

训练完成后，我们就可以扔掉编码器，用来自标准正态分布的随机向量和解码器来实现随机图像生成了。

需要强调的是，VAE编码出来的向量是连续向量，也就是向量的每一维都是可能为任意小数，如1.154，1.342。如果把向量的某一维稍微改动那么一丢丢，解码器还是认得这个向量，并且会生成一张和原向量对应图片差不多的图片。

而之后的一些改进，如VQ-VAE就是离散的了，是量子化的，也就是说，只能是某些特定的离散的小数，比如1.1,1.2,1.3 不存在中间态

（科学空间有图）

2.3 VQ-VAE

VQ-VAE提出codebook，并且进行离散编码

为什么要离散编码？

有几个直观理解

• 离散编码更自然，我们会说某一个人是男的还是女的，而不会说性别是0.5
• 虽然自然界的各种信号不论是图像还是语言，他都是连续的，但当我们处理这些问题时，往往是将问题离散化后再进行处理，如图像划分成像素、语音也是经过抽样
• 如果使用VAE的方式，样本的分布并不是很好学，VQ-VAE就使用了一个codebook去替代了VAE中学习样本分布的过程

预先生成一个离散数值的codebook，实际中可以通过（nn.Embedding实现）

我们假设codebook是$K\times D$ 维的，其中 $K$ 是指codebook的长度，一般设定为8192维，从0,1,2,3编号，而$D$则是每一维向量的长度，一般设为512，codebook的长度$K$可以简单的理解为codebook对应于$K$个聚类中心。

1 将一张图片送入Encoder以后，会得到一个$H\times W\times D$的 特征图$z_e(x)$

2 将$H\times W$个$D$维度向量和刚刚codebook的8192个分量计算相似度，找到最近的那一个分量的编号，最后可以得到$H\times W$的索引矩阵$q(z|x)$

3 然后用索引对应向量去做替换原本的特征，得到新的特征图$p(x|z)$该特征图作为Decoder的输入，最终通过Decoder得到重构后的图片。

离散向量的一个问题是它不好采样。回忆一下，VAE之所以把图片编码成符合正态分布的连续向量，就是为了能在图像生成时把编码器扔掉，让随机采样出的向量也能通过解码器变成图片。现在倒好，VQ-VAE把图片编码了一个离散向量，这个离散向量构成的空间是不好采样的。

这个问题是无解的。没错！VQ-VAE根本不是一个图像生成模型。它和AE一样，只能很好地完成图像压缩，把图像变成一个短得多的向量，而不支持随机图像生成。VQ-VAE和AE的唯一区别，就是VQ-VAE会编码出离散向量，而AE会编码出连续向量。

那怎么做生成？

就是通过其他网络，在压缩后的“小特征图”上做生成，比如用PixelCNN和扩散，生成后再用Decoder将“小特征图”翻译成最后的原图

轻松理解 VQ-VAE：首个提出 codebook 机制的生成模型 - 知乎 (zhihu.com)

VQ-VAE解读 - 知乎 (zhihu.com)

2.4 VQ-GAN

在VQ-VAE的损失函数的基础上

加入了对抗loss

当然，我们要注意：VQ-GAN也有重构损失，即也会缩小重构后的图像和原本的图像的差距~

详解VQGAN（一）| 结合离散化编码与Transformer的百万像素图像生成 - 知乎 (zhihu.com)

3 代码部分讲解总览

直接阅读的难点，我们刚刚提到了

网络结构本身复杂

所以我们给大家做了可视化

并且我们会从小到大依次给大家实现

先实现小的快，再实现更大的组件~