扩散模型从原理到实践-第三周

任务三：

1. Stable Diffusion原理与实战

2. 打卡内容：

   1. 学习笔记

   2. 作业：自行组装stable diffusion 并提交几个生成结果

 Stable Diffusion 原理与实战

Stable Diffusion 的核心架构

Latent Diffusion

当我们处理的图像尺寸增大时，需要的计算能力也随之增加。特别是在执行一种叫做“自注意力”的操作时，所需的计算量会随着输入数量的增加而平方级增长。例如，一个128像素的正方形图像比64像素的正方形图像有4倍多的像素点，因此在自注意力层中它需要16倍（即4的平方）的内存和计算能力。对于希望生成高分辨率图像的人来说，这是一个大问题！

潜在扩散技术通过使用一个名为变分自编码器（VAE）的独立模型来缓解这个问题，它可以将图像压缩到更小的空间尺寸。这样做的理由是，图像往往包含大量的冗余信息——只要有足够的训练数据，我们希望VAE能够学习到一种方式，将输入图像压缩成一个更小的表示形式，然后基于这个小的潜在表示以高保真度重构原始图像。在SD中使用的VAE能够接收3通道的图像，并产生一个减少空间尺寸8倍的4通道潜在表示。也就是说，一个512像素的正方形输入图像将被压缩成一个4x64x64的潜在表示。

通过在这些潜在表示上应用扩散过程，而不是在全分辨率图像上进行，我们可以获得很多使用小图像时的好处（减少内存使用、UNet需要更少的层、更快的生成时间等），并且一旦我们准备好查看最终结果，还可以将结果解码回高分辨率图像。这项创新显著降低了训练和运行这些模型的成本。

想象一下，你有一张非常大的照片想要放进一个小相框里。如果直接放不进去，怎么办呢？你可能会想到要先缩小照片。在计算机图像处理中，当我们处理的照片越大，我们需要的计算机“力量”就越大。就像把一张超大的海报塞进小相框一样困难，我们的计算机也得费不少劲。

现在，科学家们发明了一种聪明的方法，就像一台能把照片变成缩略图的魔术机器。这台机器叫做变分自编码器（VAE），它可以把大图像变成小图像，同时尽量保留原图的所有重要信息。这样，我们的计算机就能更轻松地处理这些小图像了。就像用一张小照片代替海报放进相框，既节省了空间，又保留了我们想要的所有细节。

而且，当我们处理完这些小图像后，这台魔术机器还能把它们变回原来的大图像，而且质量出奇的好，就像从来没有被缩小过一样。这就意味着我们可以用更少的计算力做更多的工作，并且最后还能得到高清晰度的图片。

通过这种方式，科学家们显著降低了制作和运行这些高科技图像处理模型的成本，就像变魔术一样既神奇又实用！

 具体实现方式： VAE

把一堆真实样本通过编码器网络变换成一个理想的数据分布，然后这个数据分布再传递给一个解码器网络，得到一堆生成样本，生成样本与真实样本足够接近的话，就训练出了一个自编码器模型。那VAE(变分自编码器)就是在自编码器模型上做进一步变分处理，使得编码器的输出结果能对应到目标分布的均值和方差，再在这个正态分布上进一步采样，得到采样变量，这个采样变量就等效于自编码器里的隐变量。

# Create some fake data (a random image, range (-1, 1))
images = torch.rand(1, 3, 512, 512).to(device) * 2 - 1 
print("Input images shape:", images.shape)

# Encode to latent space
with torch.no_grad():
  latents = 0.18215 * pipe.vae.encode(images).latent_dist.mean
print("Encoded latents shape:", latents.shape)

# Decode again
with torch.no_grad():
  decoded_images = pipe.vae.decode(latents / 0.18215).sample
print("Decoded images shape:", decoded_images.shape)

对应的输出结果如下： 

Input images shape: torch.Size([1, 3, 512, 512])
Encoded latents shape: torch.Size([1, 4, 64, 64])
Decoded images shape: torch.Size([1, 3, 512, 512])

此外，对于由 VAE 所编码的潜在表示，我们可以通过单独调用 `AutoencoderKL` 进行查看：

from diffusers import AutoencoderKL

vae = AutoencoderKL.from_pretrained("CompVis/stable-diffusion-v1-4", subfolder="vae")

# To the GPU we go!
vae = vae.to(torch_device)

下面编码一个包装函数实现简单的 VAE 的编码和解码操作

def pil_to_latent(input_im):
    # Single image -> single latent in a batch (so size 1, 4, 64, 64)
    with torch.no_grad():
        latent = vae.encode(tfms.ToTensor()(input_im).unsqueeze(0).to(torch_device)*2-1) # Note scaling
    return 0.18215 * latent.latent_dist.sample()

def latents_to_pil(latents):
    # bath of latents -> list of images
    latents = (1 / 0.18215) * latents
    with torch.no_grad():
        image = vae.decode(latents).sample
    image = (image / 2 + 0.5).clamp(0, 1)
    image = image.detach().cpu().permute(0, 2, 3, 1).numpy()
    images = (image * 255).round().astype("uint8")
    pil_images = [Image.fromarray(image) for image in images]
    return pil_images

现在输入 macaw 的图片，展示 VAE 的压缩效果：

# Download a demo Image
!curl --output macaw.jpg 'https://lafeber.com/pet-birds/wp-content/uploads/2018/06/Scarlet-Macaw-2.jpg'

# Load the image with PIL
input_image = Image.open('macaw.jpg').resize((512, 512))
input_image
 
# Encode to the latent space
encoded = pil_to_latent(input_image)
encoded.shape

# Let's visualize the four channels of this latent representation:
fig, axs = plt.subplots(1, 4, figsize=(16, 4))
for c in range(4):
    axs[c].imshow(encoded[0][c].cpu(), cmap='Greys')</