关于扩散模型(Diffusion Models)
扩散模型是一种基于马尔可夫链的生成模型,它从纯噪声开始,通过逐步去噪过程,最终生成一个实际图像。这种模型通过神经网络学习如何将噪声转换为数据样本。
实现原理
Diffusion 前向过程:所谓前向过程,即向图片上加噪声的过程。
Diffusion 逆向过程:如果说前向过程(forward)是加噪的过程,那么逆向过程(reverse)就是diffusion的去噪推断过程。
构建Diffusion模型
位置向量
由于神经网络的参数在时间(噪声水平)上共享,为了让神经网络能够区分不同的时间步,作者使用正弦位置嵌入来编码时间步长(噪声水平)。
ResNet/ConvNeXT块:U-Net模型的核心构建块可以是ResNet或ConvNeXT。
Attention模块
在卷积块之间添加注意力机制(如multi-head self-attention或LinearAttention),以增强模型捕捉全局信息的能力。SiLU激活函数也被用于提高网络的非线性表达能力。
Phil Wang使用了两种注意力变体:一种是常规的multi-head self-attention,另一种是LinearAttention。其时间和内存要求在序列长度上线性缩放,而不是在常规注意力中缩放。
组归一化:在卷积/注意层之后应用组归一化,以稳定训练过程并加速收敛。
条件U-Net:定义整个神经网络结构。
数据准备与处理
定义一个正则数据集(如Fashion-MNIST、CIFAR-10或ImageNet),并对数据集进行预处理,包括缩放图像大小、归一化像素值以及应用数据增强技术(如随机水平翻转)。