AIGC代码学习记录

本文主要记录不同的SD模型代码中实现的一些细节，如text2img,img2img,inpaint等等

以下代码来自SD1.5: https://github.com/runwayml/stable-diffusion

推理代码

1. 文生图
第一步：生成随机的latent feature (n,4,64,64)；n为生成的图片个数；
第二步：对于prompt用clip生成特征，正向提示词的特征(n,77,768)，反向提示词的特征(n,77,768)。后续用公式得到最终的噪声：
第三步：生成时间步伐的特征(n,320)；
第四步：latent feature放入UNet中，用cnn和多头注意提取特征并下采样，每次都要先加上+时间特征，然后和提示词特征用交叉注意力生成新的特征；
第五步：最终UNet输出的是噪声(n,4,64,64);
第六步：根据之前文章的公式对latent feature (n,4,64,64)去燥，得到新的latent feature (n,4,64,64)；不断的采样得到最终的latent feature
第七步：最终的latent feature 放到VAE解码器中，放大8倍得到输出图片(n,3,512,512)；

2. 图生图
第一步：与文生图不同，这里的latent feature (n,4,64,64)不是随机生成的，是输入图片用VAE编码器得到的；注意这里有个系数strength，0表示对latent feature不加噪声，1表示加很多噪声完全摧毁原有的信息；
第二步：对于prompt用clip生成特征，正向提示词的特征(n,77,768)，反向提示词的特征(n,77,768)。
第三步：生成时间步伐的特征(n,320)；
第四步：latent feature放入UNet中，用cnn和多头注意提取特征并下采样，每次都要先加上时间特征，然后和提示词特征用交叉注意力生成新的特征；
第五步：最终UNet输出的是噪声(n,4,64,64);
第六步：根据之前文章的公式对latent feature (n,4,64,64)去燥，得到新的latent feature (n,4,64,64)；不断的采样得到最终的latent feature
第七步：最终的latent feature 放到VAE解码器中，放大8倍得到输出图片(n,3,512,512)；

3. Inpainting
第一步：生成随机的latent feature (n,4,64,64)；n为生成的图片个数；
第二步：得到mask img (n,3,512,512)和mask(n,1,512,512)；
第三步：mask下采样到(n,1,64,64)；mask img用编码器得到(n,4,64,64)；把这两个cat起来得到c_cat (n,5,64,64);
第四步：对于prompt用clip生成特征，正向提示词的特征(n,77,768)，反向提示词的特征(n,77,768)；
第五步：生成时间步伐的特征(n,320)；
第六步：把c_cat (n,5,64,64)和latent feature (n,4,64,64) 连接起来得到网络的输入 (n,9,64,64)；也就是说输入UNet的xc是图像特征加上latent feature；而cc是prompt的特征，out = self.diffusion_model(xc, t, context=cc)；如下图所示：4个latent feature+4个mask img feature+1 mask；

第七步：把上面这些输入UNet中，用cnn和多头注意提取特征并下采样，每次都要先加上时间特征，然后和提示词特征用交叉注意力生成新的特征；
第八步：最终UNet同样输出噪声(n,4,64,64);
第九步：根据之前文章的公式对latent feature (n,4,64,64)去燥，得到新的latent feature (n,4,64,64)；不断的采样得到最终的latent feature；
第十步：最终的latent feature 放到VAE解码器中，放大8倍得到输出图片(n,3,512,512)；

以下代码来自SDXL： https://github.com/Stability-AI/generative-models

训练：

1. 文生图
   a. 读取cifar10数据集，图片(n,3,32,32)和类别(n,)；
   b. 提取n个类别的embedding,cond=(n,128);
   c. 生成噪声(n,3,32,32)；对图像加噪得到input；
   d. 对sigma处理得到c_skip, c_out, c_in, c_noise；如下图计算得到输入数据；
   e. 在网络中，对于类别的 embedding，直接加到时间步长的emb上就好；
   f. 后续就是正常的交叉注意力，得到输出(n,3,64,64)；
   g. 最后就是输入图像和网络输出计算mse；

推理：

1. 文生图
   a. 文本特征用两个clip编码器得到特征后拼接起来得到(n,77,2048),作为cross attention；
   b. 把目标分辨率、裁剪的左上角坐标进行余弦编码，然后把它们的特征cat起来得到vector(n,2816)；
   c. 随机生成(n,4,128,128)的latent feature；
   d. 把上面的latent feature作为网络的输入x，文本特征(n,77,2048)作为context；vector作为y，y和时间步长特征相加；
   e. 然后在UNet的每个block中都会加上+上面的emb（相当于每个block都学到了目标分辨率、步长等特征）；并且用cross attention学习文本特征context。
   
   f. 最终得到噪声(n,4,128,128)；
   g. 用euler采样公式减去噪声，得到这次去燥后的latent feature(n,4,128,128)；
   h. 用解码器得到 第一阶段 sdxl_base 模型下的生成图片(1024,1024,3)；
   i. 如果有第二阶段sdxl_refine，其实就是步骤g得到的latent feature再做多次去噪，最后再用解码器得到sdxl_refine模型下的解码图像；

2. 图生图
   a. 其他步骤都和文生图一样。不一样的点在于：上面c步骤是随机生成的latent feature作为网络的输入，而这里是图片经过VAE encode得到了1个latent feature加上随机的latent feature作为网络的输入；