Diffusion Model——扩散模型

Derek Runfar

已于 2024-02-17 23:18:39 修改

阅读量1.3k

点赞数 31

分类专栏：深度学习文章标签：笔记

于 2024-02-17 23:15:43 首次发布

本文链接：https://blog.csdn.net/m0_73599738/article/details/136143435

版权

深度学习专栏收录该内容

12 篇文章 2 订阅

订阅专栏

文章详细介绍了DiffusionModel，特别是DenoisingDiffProbabilisticModel（DDPM）和StableDiffusion的原理，包括去噪和加噪过程，以及如何通过Text-to-imageGenerator生成图像。讨论了TextEncoder、Decoder和GenerationModel的结构及其在训练过程中的作用，以及评估指标如FID和CLIPScore的应用。

摘要由CSDN通过智能技术生成

`Diffusion Model`

文章目录

`Diffusion Model`

所学内容来源于李宏毅2023扩散模型，DDPM链接：【生成式AI】Diffusion Model 概念讲解 (1/2)_哔哩哔哩_bilibili

Stable Diffusion链接：https://www.bilibili.com/video/BV14c411J7f2?p=2

`Denoising Diffusion Probabilistic Model(DDPM)`

去噪过程：

在这里插入图片描述

去噪过程又称为推理过程，测试过程和后向扩散过程。一个训练好的Denoise模型，它的去噪过程，是一张正态分布噪声图逐渐经过去噪还原为清晰图片的过程。在最初，输入一张从正态分布中simple出来的噪声图，以及该图片对应的时间步time embedding，经过去噪，会得到一张较为清晰的图。然后以此类推，将较为清晰的图输入到同一个Denoise Model中，继续输入一个新的time embedding，就可以得到更加清晰的图……最后就可以生成出所需要的图片。

在这里插入图片描述

很显然，Denoise模型在这里需要两个输入，一个是需要去噪的图片，一个是时间步time embedding或者称为time step。时间步的作用，无疑是说明当前去噪的力度，也说明当前噪声的强度。在最初的时间步，Denoise进行较大的去噪，逐步地，后面的时间步使得Denoise进行较小的去噪。

`Denoise`结构

在这里插入图片描述

DDPM的里面是一个噪声预测器(noise predictor)。Noise Predictor接收一个图片和时间步作为输入，然后生成一张noise，然后Denoise利用这张noise进行去噪。具体而言，是将输入图片减去这个预测出来的noise以达到去噪效果。

训练过程

从Denoise结构可以很明显地看出，noise predictor预测出来的噪声应该需要一个ground-truth作为监督。这个ground-truth是去噪效果最好的一个噪声，对应的，预测出来用于去噪的噪声并不一定使得去噪效果最好，这时候就需要这个ground-truth监督。

noise predictor能否预测出一个好的noise，体现出noise predictor的优劣，具体在于其内部的参数 $\theta$ 是否达到了最优。所以我们需要训练noise predictor。

训练过程有一个重要的过程，称为加噪过程，又称为前向扩散过程。如下图，具体而言，在正态高斯分布中simple出一张随机噪声，然后将这个随机噪声加到清晰图片上，得到较为模糊的图片，同时记录此时的时间步time step。

在这里插入图片描述

很明显，加噪后的图片和此时的时间步time step就是Denoise和noise predictor的输入input，而所加的噪声就是ground-truth。将这三个数据交给Denoise去噪，noise predictor会输出一个噪声，然后与ground-truth计算损失即可。

在这里插入图片描述

所以，训练过程离不开去噪过程和加噪过程。显然，去噪过程和加噪过程操作是相反的。

`Text-to-image Generation Model`

在这里插入图片描述

如果我们想要通过文字引导生成我们想要的图片呢？Text-to-image Generation Model包含Text-to-image Generator，通过给其输入cat，chicken，rabit等文字，使得其生成特定的图片。

实际上，这个Text-to-image Generator和Noise Predictor相差不大，只是Text-to-image Generator需要额外一个输入，即文本作为第三个输入，以引导其生成过程。

在这里插入图片描述

使用Text-to-image Generator进行去噪，去噪过程每一步还需要额外给Denoise添加文本作为引导。

在这里插入图片描述

加噪过程也如此，每一步都将文本作为输入。

在这里插入图片描述

`High Resolution Image Synthesis With_Latent Diffusion Models (Stable Diffusion)`

基本结构与推理过程

在这里插入图片描述

基本结构包含三个组件，Text Encoder，Generation Model和Decoder。stable diffusion的生成图片的大致流程是：首先输入一段文本，经过Text Encoder处理为一个词向量，然后交给Generation Model，同时输入一个从正态高斯分布simple出来的随机噪声，生成一个latent representation，就是所谓的“中间产物”。然后这个latent representation交给Decoder，生成图片。

这个生成图片的流程，又称为推理过程和测试过程。

论文中的stable diffusion结构与上面提到的基本结构大差不差：

在这里插入图片描述

训练stable diffusion时，三个组件是分别训练的。

`Text Encoder`

text encoder的作用是接收一段文本，然后将其转换为一组词向量。text encoder通常是一个预训练的encoder。有实验证明显示，text encoder在stable diffusion中的作用相当大，如下图，随着更大的text encoder，其曲线更加趋向右下方。愈趋向右下方，Diffusion Model性能越好。

在这里插入图片描述

首先解释一下FID。FID描述了两张图特征的接近程度。将两张图片分别送入CNN进行降维，得到两个表征向量。这两个表征描述了两张图片的分布。一般认为是两个不同的高斯分布。FID就是两个高斯分布的距离，距离越小，FID越小，则两个分布越接近；两个向量越接近，则两张图片特征越接近。

在这里插入图片描述

由此看来，FID越小，生成图片与原始图片越相似。也就是说，FID越小越好。

然后来解释一下CLIP Score。CLIP Score则是描述了文本与生成图片之间的符合度。首先将一段文本送入Text Encoder，输出为文本的embedding向量。然后将生成图片送入Image Encoder，输出一个图片的embedding向量。CLIP Score就是两个向量的高斯分布的距离。CLIP Score足够大，则说明这段文本能够很好地描述这个图片，或者说这个生成图片符合文本需要，也说明这段文本与图片足够匹配。也就是说，CLIP Score越大越好。

在这里插入图片描述

所以，上面那张曲线图，曲线愈趋向右下方，则代表着更大的Text Encoder有着更小的FID，更大的CLIP Score，则对应Diffusion Model有着更好的性能。

`Decoder`

Decoder的作用通常是将一个laten representation还原为图片。

如何描述我们训练出来的Decoder的还原是好是坏？为了便于我们描述Decoder的好坏，我们需要Auto-Encoder辅助Decoder训练。训练Decoder的时候，将图片送入Auto-Encoder进行降维，生成latent representation，然后交给Decoder还原为生成图片，对两张图片的损失梯度下降，最优情况的Decoder就随着Auto-Encoder一起训练好了，就可以直接拿来使用。

在这里插入图片描述

很明显，对Decoder的训练需要的图片，并不依赖于Diffusion Model训练时候的数据。也就是说，可以随便找图片数据来训练Auto-Encoder和Decoder而无必要从Diffusion Model训练时所用的数据中找图片，这样做可以最大化Decoder的还原能力。

`Generation Model`

Generation Model从Text Encoder接收文本词向量，然后将上一个时间步的latent representation去噪处理为当前时间步的latent representation，交给Decoder作最后的处理。

训练Generation Model本质上与训练DDPM没有太大区别。训练是一个加噪的过程。首先将清晰图片经过一个训练好的Auto-Encoder转换为latent representation，然后加入从正态高斯分布simple的noise，得到当前时间步Step 1的latent representation。以此类推，不断加噪至指定步数1000。

在这里插入图片描述

训练的过程实际上是在训练Generation Model中的Noise Predictor，除了像“A cat in the snow”这样的文本作为Noise Predictor的输入Input之外，还有当前时间步以及加噪的结果作为输入。如下图：

在这里插入图片描述

Noise Predictor在训练的过程中，接收latent representation，Text embedding和Time step作为输入，预测出噪声，与当前时间步所加噪声ground-truth对比，计算损失，梯度下降。

我们训练好了Generation Model后，就可以用它来进行去噪（推理过程）：给定一个为pure noise的latent representation以及文本，依次迭代去噪，每次计算去噪完的latent representation的CLIP Score，足够高了就可以将此latent representation交给Decoder生成为图片。
在这里插入图片描述

`DDPM`算法简析

这个是DDPM的算法图，分别是训练的算法图与推理的算法图，也就是分别对应着加噪（前向扩散过程）的算法图和去噪（反向扩散过程）的算法图。该部分省略了公式推导。

在这里插入图片描述

Training部分。x0是待加噪的图片，t是当前时间步， $\overline{\alpha}$ 是超参数，一般设置为尽可能接近1， $\large{\epsilon}$ 是从正态高斯分布中simple出来的噪声， $\large{\epsilon_{\theta}}$ 代表Noise Predictor。 $\large{\sqrt{\overline{\alpha}}x_0 + \sqrt{1 - \overline{\alpha}}\epsilon}$ 部分代表加噪后的图片， $\large{\epsilon_{\theta}(\sqrt{\overline{\alpha}}x_0 + \sqrt{1 - \overline{\alpha}}\epsilon, t)}$ 则代表了Noise Predictor利用时间步和加噪后的图片预测出拿来去噪的Noise。 $\large{\epsilon-\epsilon_{\theta}(\sqrt{\overline{\alpha}}x_0 + \sqrt{1 - \overline{\alpha}}\epsilon, t)}$ 则代表了预测的噪声和加噪所利用的噪声的差别。然后对损失梯度下降即可。

Sampling部分。 $x_t$ 是待去噪的图片，t是时间步， $x_{t-1}$ 是去噪后的图片， $\alpha$ 依然是超参数，与前面一样。z是从正态高斯分布中simple出来的噪声， $\sigma$ 是超参数。 $\large{\frac{1 - \alpha}{\sqrt{1 - \alpha}}\epsilon_{\theta}(x_t, t)}$ 代表Noise Predictor预测出来的噪声， $\large{x_t - \frac{1 - \alpha}{\sqrt{1 - \alpha}}\epsilon_{\theta}(x_t, t)}$ 则代表去噪。最末尾加上一个 $\sigma_tz$ 是为了提高扩散的泛化能力。