文生图模型之Stable Diffusion

1. Latent Diffusion Models

论文地址

解决问题：

如何在保证生成质量的前提下降低DM的训练和推理成本

解决思路

作者发现，之前的DM把大量计算浪费在一些难以察觉的图像细节当中，因此提出Encode-Decode结构，利用Encode提取图像的语义信息latent，latent的尺寸远小于原图（一般4-8倍综合效果较好），然后再利用DM去做生成，最后将生成结果输出给decode恢复成图像形态。

Tips

1. 相比于其他encode-decode结构，ldm对E-D的要求不高，不需要太强的生成和恢复能力，但是实测下来，细节的控制和生成还是取决于E-D，这也是LDM的瓶颈
2. 训练encode-decode网络时采用感知loss和path-based gan loss，不使用l1/l2 loss是为了避免生成结果模糊
3. 训练encode-decode网络时虽然采用KL正则让结果分布趋向于标准高斯，但是KL正则系数小，结果分布的标准差可能不是0，所以需要对结果进行rescale再输入dm网络，下一章SD中有详细描述
4. LDM中condition包含text，semantic，layout等，做法是提取特征转换成token然后concat在一起，然后通过cross-attention输入到网络中，将condition信息加入time-steps对效果也有提升，但是增加了许多运算成本，作者没有采用
   
5. LDM也可用于超分任务，但是训练数据制作时要特别注意，获取低分辨率要采用不同的下采样方式，并添加jpg压缩噪声，相机噪声，高斯模糊，高斯噪声等以充分模拟现实场景

2. Stable Diffusion

参考文章地址
SD网络结构清晰解析

解决问题：

利用文本生成图片，进一步衍生到inpainting功能

解决思路：

autoencoder

CLIP text encoder

tokenizer最大长度为77（CLIP训练时所采用的设置），当输入text的tokens数量超过77后，将进行截断，如果不足则进行paddings，这样将保证无论输入任何长度的文本（甚至是空文本）都得到77x768大小的特征

问题：当输出超长prompt会分段处理？每段的权重如何处理？

UNet

text condition将通过CrossAttention模块嵌入进来，此时Attention的query是UNet的中间特征，而key和value则是text embeddings。

SD图生图

SD Inpainting

第一种形式：

第二种形式：

SD loss函数

原文地址

3. SDXL

论文解析地址
原论文地址

解决问题：

改进文生图效果

解决思路：

整体改进

PS：模型将更多的参数放在低维度的UNet中，以减少运算量

增加坐标尺寸输入信息

增加坐标尺寸作为输入，充分利用低分辨率数据的同时，避免低分辨率图片带来的模型，且可减少局部图生成的问题，训练时采用不同分辨率混合训练

增加refiner model

offset-noise
SDXL在多尺度微调阶段采用了offset-noise，这个技术主要是为了解决SD只能生成中等亮度的图像，而无法生成纯黑或者纯白的图像.
简单来说，之所以会出现这个问题，是因为训练和测试过程的不一样，SD所使用的noise scheduler其实在最后一步并没有将图像完全变成随机噪音，这使得训练过程中学习是有偏的，但是测试过程中，我们是从一个随机噪音开始生成的，这种不一致就会出现一定的问题。offset-noise是一个解决这个问题的简单方法，你只需要在训练过程中给采用的噪音加上一定的offset即可

4. SD 3.0

论文解析地址
原论文地址

解决问题：

如何进一步提高文生图生成质量及可控性，解决目前文字生成，细节生成不好等问题

解决思路

集众家之大成，提出新的生成方案：

改进的RF

SD3论文中认为不同时间步的任务难度是不一样：两边相对容易，而中间是比较难的。所以，设计了一些新的采样方法来提高中间时间步的权重。

多模态DiT

采用了一个多模态DiT。多模态DiT的一个核心对图像的latent tokens和文本tokens拼接在一起，并采用两套独立的权重处理，但是在attention时统一处理。整个架构图如下所示：

改进的autoencoder： SD3使用16通道的autoencoder, 即encode的输出channel是16。要注意，虽然增加通道并不会对生成模型（UNet或者DiT）的参数带来大的影响（只需要修改网络第一层和最后一层的通道数），但是会增加任务的难度，当通道数从4增加到16，网络要拟合的内容增加了4倍，这也意味模型需要增加参数来提供足够的容量。

文本编码器
SD3的text encoder包含3个预训练好的模型：

• CLIP ViT-L：参数量约124M OpenCLIP
• ViT-bigG：参数量约695M
• T5-XXL encoder：参数量约4.7B

MM-DiT
MM-DiT和DiT一样也是处理图像latent空间，这里先对图像的latent转成patches，这里的patch size=2x2，和DiT的默认配置是一样的。patch embedding再加上positional embedding送入transformer中。 这里的重点是如何处理前面说的文本特征。对于CLIP pooled embedding可以直接和timestep embedding加在一起，并像DiT中所设计的adaLN-Zero一样将特征插入transformer block。

对于序列的text embeddings，常规的处理方式是增加cross attention层来处理，其中text embeddings作为attention的keys和values，比如SD的UNet以及PIXART-α（基于DiT）。但是SD3是直接将text embeddings和patch embeddings拼在一起处理，这样不需要额外引入cross-attention。由于text和image属于两个不同的模态，这里采用两套独立的参数来处理，即所有transformer层的学习参数是不共享的，但是共用一个self-attention来实现特征的交互。这等价于采用两个transformer模型来处理文本和图像，但在attention层连接，所以这是一个多模态模型，称之为MM-DiT。MM-DiT和之前文生图模型的一个区别是文本特征不再只是作为一个条件，而是和图像特征同等对待处理。

QK-Normalization
为了提升混合精度训练的稳定性，MM-DiT的self-attention层还采用了QK-Normalization。当模型变大，而且在高分辨率图像上训练时，attention层的attention-logit（Q和K的矩阵乘）会变得不稳定，导致训练出现NAN。这里的解决方案是采用RMSNorm（简化版LayerNorm）对attention的Q和K进行归一化。

变尺度位置编码
MM-DiT的位置编码和ViT一样采用2d的frequency embeddings（两个1d frequency embeddings进行concat）。SD3先在256x256尺寸下预训练，但最终会在以1024x1024为中心的多尺度上微调，这就需要MM-DiT的位置编码需要支持变尺度。SD3采用的解决方案是插值+扩展。


timestep schedule的shift
对高分辨率的图像，如果采用和低分辨率图像的一样的noise schedule，会出现对图像的破坏不够的情况，一个解决办法是对noise schedule进行偏移，对于RF模型来说，就是timestep schedule的shift。

模型scaling

• transformer一个比较大的优势是有好的scaling能力：当增大模型带来性能的稳定提升。论文中也选择了不同规模大小的MM-DiT进行实验，不同大小的网络深度分别是15，18，21，30，38，其中最大的模型参数量为8B。结论是MM-DiT同样表现了比较好的scaling能力，当模型变大后，性能稳步提升
• 另外一个结论是validation loss可以作为一个很好的模型性能的衡量指标，它和文生图模型的一些评测指标如CompBench和GenEval，以及人类偏好是正相关的。
• 更大的模型不仅性能更好，而且生成时可以用较少的采样步数，比如当步数为5步时，大模型的性能下降要比小模型要低。