Diffusion Models 学习基础笔记

Stetman

已于 2023-06-27 12:56:34 修改

阅读量265

点赞数

文章标签：人工智能深度学习

于 2023-06-26 21:20:39 首次发布

本文链接：https://blog.csdn.net/Stetman/article/details/131405335

版权

在做生成图片相关的课题时，了解了一下扩散模型，简单记录一下。

扩散模型（diffusion models）是深度生成模型中新的SOTA。扩散模型在图片生成任务中超越了原SOTA：GAN，并且在诸多应用领域都有出色的表现，如计算机视觉，NLP、波形信号处理、多模态建模、分子图建模、时间序列建模、对抗性净化等。此外，扩散模型与其他研究领域有着密切的联系，如稳健学习、表示学习、强化学习。

何为生成模型？

我们所了解的大多数机器学习和深度学习问题都是从生成和判别模型中概念化的。简单地说，“生成模型”是为“生成/合成数据”而设计的统计模型。它们的工作是“将噪声转换为具有代表性的数据样本”：

给定来源于未知的数据分布中的独立同分布的样本数据x1,x2...xn Pd(xi)，生成式模型的目标是通过模型，去学习逼近未知的数据分布

通俗来说即为：首先对这些模型进行训练，以便它们学习对（训练数据的）“数据分布”进行建模。一旦经过训练，模型就知道如何近似原始数据分布，并可以随意使用它来生成新的数据（图像）。

为何需要生成模型

基于图像的生成模型的工作是生成相似的新图像。我们需要创建和训练生成模型，因为仅有大小限制的图像表示的所有可能图像的集合是巨大的。图像必须具有正确的像素值组合来表示有意义的东西（我们可以理解的东西）。
例如，要使上面的图像代表某件物品或场景，图像中的像素需要处于正确的配置（它们需要具有正确的值）。而这些图像存在的空间只是（256x256x3）图像空间可以表示的整个图像集的一小部分。现在，如果我们知道如何从这个子空间获取/采样一个点，我们就不需要构建“生成模型”。然而，我们很难获得实现这一点的方法。捕获/建模该（数据）子空间的概率分布函数，或更准确地说，概率密度函数（PDF）仍然未知，并且很可能太复杂而没有意义。

这就是为什么我们需要“生成模型——找出我们的数据满足的潜在似然函数

主流的生成模型

对抗生成网络 Generative adversarial network (GAN): 生成速度快，但是训练不稳定，而且生成样本的多样性有所欠缺。
变分自动编码器 Variational auto-encoder (VAE): 生成速度快，生成样本的多样性比较好，但是生成出来样本的质量比较模糊（比GAN要差）。
基于流的生成模型Flow-based model：由于要保持可逆转换，因此在模型架构的选择上比较受限。
扩散模型Diffusion model：在生成任务上的表现非常出色，能够生成比较高维度的变量，但采样速度慢。

此外，还有一种比较常见的生成式模型：自回归模型 Autoaggressive Model / AG：其具备长距离依赖、准确的概率估计两大优点，也因此有训练和计算速度相对较慢的缺点，同时难以获取高维数据的全局依赖也是其应用的局限之一。

扩散模型与其他几类生成模型的关联

1 GAN 与扩散模型的关联

GAN 训练过程不稳定的主要原因是生成数据和输入数据之间不重叠的数据分布。 其中一种解决方法是通过给辨别器的输入注入噪音来进一步帮助生成器和辨别器的分布，这种方法由扩散模型所启发。另一方面，扩散模型的抽样速度要慢于 GAN，主要原因是去噪步骤中的高斯假设，该假设使得去噪的步长（step）较小。有工作通过使用 conditional GAN 来对每一步去噪过程建模，增大了去噪的步长。

2 VAE 与扩散模型的关联

DDPM 可被视为是固定编码器的层级式马尔可夫 VAE。具体来说，DDPM 的前向过程作为编码器，该过程可以用线性高斯模型描述。DDPM 的反向过程对应于解码器，在多个解码过程中共享。解码器中的潜变量和样本数据有着同样大小的尺寸。

有工作指出：在连续时间设定下，分数匹配目标函数可近似于深层 VAE 的证据下界（ELBO）。因此，扩散模型的优化过程可被视为训练一个无限层深的 VAE。

基于分数的潜生成模型（LSGM）进一步表示：在潜空间情境下，ELBO 可以作为特殊的分数匹配目标函数。