从扩散模型基础到DIT

Diffusion model 扩散模型如何工作？

输入随机噪声和文本内容，通过多次预测并去除图片中的噪声后，最终生成清晰的图像。

以上左边这张图，刚开始是随机噪声，999为时间序列。

为什么不直接预测下一张图片呢？

预测噪声还是简单一点。

如何训练 Noise Predicter呢？

具体的方法是自己去按步骤加噪音，这样就构建了训练样本。预测目标就是我们加的噪声。

如何加入文字？

可以看出，增加文字输入即可

DDPM原理

当然具体的噪声loss计算，以及去噪公式稍微麻烦一点，并不是直接加减。

左图中为噪声的均方误差loss计算。

图中XT为T时刻的有噪图片，Xt-1为去噪后的图片。

UNET噪声预测器

对于Stable Diffusion等主流的扩散模型，噪声预测部分都是使用UNET。图示结构如下，可以看出输入含噪声图片，输出噪声

训练代码如下：

这里nn_model即为UNET网络，支持图片，时间和文本上下文嵌入等相关信息。参考代码如下：

 

训练代码

预测代码

DDIM

比DDPM快10倍，采样步数到500步以上DDPM更好，否则DDIM更好。

Stable Diffusion

其他模型结构如下，很类似。

引入VAE（变分自编码器）

为了加快图像生成过程，Stable Diffusion 并不是在像素图像本身上运行扩散过程，而是在图像的压缩版本上运行。该论文称其为“Departure to Latent Space”。

https://arxiv.org/abs/2112.10752

这种压缩（以及后来的解压缩/绘画）是通过自动编码器完成的。自动编码器将图像压缩到潜空间（Latents），然后使用解码器凭借这些压缩后的数据重建。

实际使用过程中直接调用已经训练好的VAE做编码和解码即可。原理如下：

参考：Stable Diffusion｜图解稳定扩散原理 - 知乎

模型细节如下：

注意这里的文本也是做了编码为向量。

DIT(Scalable diffusion models with transformers)

基于transformers的可扩展的扩散模型

DIT利用transformer替换了unet.

有什么好处? 更高的Gflops(网络复杂度)，具备更好的扩展性scaling（tokens扩展，网络深度扩展，增加参数量就能有更好的性能），有较低的t FID of 2.27 （即预测效果）

transformer统一了NLP和视觉领域，SORA正是基于此论文完成主体部分。

什么是FID

即衡量两张图片之间的相似性。

从它的训练和预测代码中，我们看到也使用了训练好的VAE模型。

训练时调用encoder

预测时调用decoder

SORA

​在上一篇文章中已经介绍过