【扩散模型系列1】扩散模型背景|DDPMs|LDM

置顶清风幻影17

已于 2024-03-07 15:49:47 修改

阅读量1.1k

点赞数 18

文章标签：扩散 DDPM 图像生成

于 2024-03-04 17:01:11 首次发布

本文链接：https://blog.csdn.net/weixin_41021342/article/details/136401663

版权

概述

扩散模型：和其他生成模型一样，实现从噪声（采样自简单的分布）生成目标数据样本。

扩散模型包含两个过程：前向扩散过程和反向生成过程

前向扩散过程是对一张图像逐渐添加高斯噪音直至变成随机噪音；
反向生成过程是去噪音过程，我们将从一个随机噪音开始逐渐去噪音直至生成一张图像，这也是我们要求解或者训练的部分。

去噪过程一般采用UNet或者ViT，使用t步的结果和条件输入预测t-1步增加的噪声，然后使用DDPM可以得到t-1步的分布，经过多步迭代就可以从随机噪声还原到有实际意义的信号。如果使用原始DDPM速度会慢很多，所以很多工作如DDIM、FastDPM等工作实现了解码加速。

DPM

Diffusion Probabilistic Models

《Deep Unsupervised Learning using Nonequilibrium Thermodynamics》2015

首次提出 完成了整体框架和数学推导式子

扩散模型是借鉴了物理学上的扩散过程；

在生成模型上，分为正向和逆向的过程。

正向过程是向信号中逐渐每步加少量噪声，当步数足够大时可以认为信号符合一个高斯分布。
所以逆向过程就是从随机噪声出发逐渐的去噪，最终还原成原有的信号。

DDPM

《Denoising Diffusion Probabilistic Models》2020

《去噪扩散概率模型》

真正应用于cv，nlp的任务，首次将它在高分辨率图像生成上调试，与UNet网络高度契合，让众人看到了Diffusion在视觉方面的潜力。

DDPM 主要分为两个过程：

forward 加噪过程（从右往左）:加噪过程是指向数据集中的真实图像逐步加入高斯噪声, 加噪过程满足一定的数学规律，不需要学习
reverse 去噪过程（从左往右）:去噪过程是指对加了噪声的图片逐步去噪，从而还原出真实图像。去噪过程则采用神经网络模型来学习。这样一来，神经网络模型就可以从一堆杂乱无章的噪声图片中生成真实图片了。

在这里插入图片描述

前向加噪

扩散过程时逐步加噪的过程, 符合马尔科夫假设, 每一步的噪声都是高斯噪声，正向扩散过程属于无参模型（不需要进行学习）
在这里插入图片描述

在这里插入图片描述

** 加粗样式
前向加噪可以使用公式一次计算到位

在这里插入图片描述
代码实现

反向去噪

从高斯噪声中采样，学习一个模型估计真实的条件概率分布（从上一状态到下一状态的条件概率模型）
也可以直接计算任意状态的分布，因此可以直接采样，然后和真实图像计算均方误差
用一个 U-Net 结构来对t时刻的噪声进行预测
在这里插入图片描述

UNet

UNet可以实现输出和输入一样维度，所以天然适合扩散模型。

2015 传统深度学习时代的早期，U-Net: Convolutional Networks for Biomedical Image Segmentation（U-Net）正式发表，图像分割领域迎来了它的“ResNet”。

Encoder-Decoder结构

在这里插入图片描述

训练阶段

训练U-Net 对 t 时刻的噪声进行预测。

训练数据：采样 x0, t 作为，先计算 xt，

输入：xt , time_step

输出：噪声z分布
在这里插入图片描述

推理阶段

在这里插入图片描述

IDDPM

《Improved Denoising Diffusion Probabilistic Models》

比原始DDPM一个重要的变化是不再采用固定的方差，而是采用网络来预测方差。在DDPM中，生成过程的分布采用一个参数化的高斯分布来建模。
在这里插入图片描述

Classifier Guidance

《Diffusion Models Beat GANs on Image Synthesis》2020

openAI在2020年发表的一篇文章。文章从模型结构入手，通过扩大模型容量，在图像生成任务上击败了当时的SOTA Big GAN。

此外还提出了Classifier guidance，用于控制扩散模型生成指定类型的图像

分类器指导的思想与其进行噪声预测时的想法类似，主要是修改高斯分布的均值参数来指导图像按类别生成，有一个超参数s表示指导的程度，算法如下：

提出了一种Classifier Guidance的带条件图像生成方法，大大拓展了Diffusion Models的使用场景。

一是需要额外训练一个噪声版本的图像分类器。二是该分类器的质量会影响按类别生成的效果。三

GLIDE

《Classifier-Free Diffusion Guidance》2021

Classifier-Free Guidance的核心是通过一个隐式分类器来替代显示分类器，而无需直接计算显式分类器及其梯度。

《Hierarchical Text-Conditional Image Generation with CLIP Latents》

《GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models》

LDM

《High-resolution image synthesis with latent diffusion models》 2022

《使用隐式扩散模型进行高分辨率图像合成》

以前的扩散模型（diffusion models (DMs) ）基于像素级别的，其需要上百个GPU day 进行训练。

LDM（latent diffusion model）潜空间扩散模型是基于latent, 在减少计算复杂度和保留细节、提升保真度中接近了最佳。

LDMs是两阶段模型（two-stage）:

采用一个autoencoder来将图像压缩为低维度的latent，可减少计算复杂度；
然后输入扩散模型, 扩散模型用来生成latent，然后再采用autoencoder来重建出图像。

详细过程如下图所示：

第一部分就是下面左半部分（红色），对图片进行压缩，将图片压缩为隐变量表示（latent），这样可以减少计算复杂度；
第二部分还是扩散模型（diffusion与denoising），中间绿色部分。此外引入了cross-attention机制，下图右半部分，方便文本或者图片草稿图等对扩散模型进行施加影响，从而生成我们想要的图片，比如根据文本生成我们想要的图片。

在这里插入图片描述