一文详解扩散模型

本文主要是介绍一文详解扩散模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

- 1、常见的生成模型
- 2、变分推断简介
- 3、文生图的评价指标
- 4、Diffusion Models
- 5、其他
- 技术交流群
- 精选

节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学。

针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。

合集：

《大模型面试宝典》(2024版) 正式发布！
《AIGC 面试宝典》已圈粉无数！

1、常见的生成模型

如图1所示，常见的生成模型有四种：GAN（Generative Adversarial Network）、VAE（Variational Autoencoder）、Flow-Based Models、Diffusion Models。
今天我们讲一讲扩散模型（DM，Diffusion Models）的原理。

DM和VAE一样，都是属于变分推断（VI，Variational Inference）的理论框架。
在这里插入图片描述

2、变分推断简介

2.1、统计学简介

在统计学中，一切都是分布（Distribution），到处都是分布。

统计学的根本目的就是获得数据分布。 只要得到了数据的分布，那一切问题都迎刃而解。

但现实数据的分布往往是不可得的，是极其复杂的，所以统计学在应用中到处充满假设：假设样本服从独立同分布原理；假设噪声服从高斯分布；假设特征之间相互独立等。翻开机器学习或者数理统计的书籍，到处充满着假设。没办法，现实问题太复杂！

如何获得复杂的未知分布呢？ 最常用的方法就贝叶斯推断。

2.2、贝叶斯推断

贝叶斯推断的目的就是：找出复杂的未知分布。

贝叶斯推断有两类方法：一是MCMC采样；二是变分推断（VI，Variational Inference)。如图2所示。

MCMC属于采样的方法，成本高。变分推断属于数学优化的方法，成本相对较对低。
在这里插入图片描述

3、文生图的评价指标

文生图领域有两个评价指标：FID和CLIP。

3.1、FID

FID：Frechet Inception Distance。 用一个训练过的CNN网络提取图片的隐层特征，分别得到两个隐层特征的集合。一个是真实图片的隐层特征集合，一个是生成图片的隐层特征集合。再把这两个集合看作分布，计算两个分布的距离。

FID值越小越好。 如图3所示。

在这里插入图片描述

3.2、CLIP

CLIP：Contrastive Language-Image Pretraining。

一个预训练的图文对模型。基于4亿个图文对进行了对比学习。

CLIP得分越大越好。

3.3、优缺点

FID的评价很准确，但需要大量的数据，才能进行评估。

CLIP可以对单张图片进行评价，但只适用于图文对的场景。

4、Diffusion Models

4.1、Diffusion-生成过程

Diffusion生成目标对象的过程，称为生成过程、去噪过程、后向过程等。Diffusion的生成过程从噪声开始。本文都以图片生成为例。

首先， 从标准高斯分布中采样得到一张全是噪声的图片XT。

然后， 从XT 中去掉一点噪声，得到一张噪声更少的图片XT-1。**如此重复T步，**最后直到X1就是一张生成的图片。

意大利著名的雕塑家米开朗基罗说过：“塑像本来就在石头里，我只是把不需要的部分去掉。” Diffusion的生成过程与此类似，图片本来就在噪声里，Diffusion模型只是把不需要的噪声去掉，让图片显露出来！

如图5所示：

在这里插入图片描述

图5 Diffusion 去噪过程

4.2、Diffusion-扩散过程

Diffusion的扩散过程，也称为前向过程、加噪过程。 如图6所示。

扩散过程为模型的训练提供了有标注的样本。前面说过，生成过程是从噪声中逐步去噪声，最后生成图片。那模型怎么知道该去什么样的噪声，去多少噪声呢？这就是扩散过程的作用。扩散过程往已知的图片中逐步加入噪声，直到图片完全变成标准高斯噪声。这个加噪声的过程是人为控制的，所加的噪声也是知道的，所以反过来就用这个噪声作为标准，指导模型去噪，这相当于是一个有监督的学习过程。

总之，扩散过程是一个事先预定义的确定过程，用来给生成过程提供有监督的样本。

在这里插入图片描述

图6 Diffusion Model 加噪过程

4.3、Diffusion-模型训练

模型训练如图7所示。训练的神经网络是一个噪声预测器（Noise Predicter）。

Noise Predicter输入有两个：一是带噪声的图片；二是当前的步数。在Conditional的场景下，还会输入生成条件。

Noise Predicter的输出为：当前图片中所包含的噪声大小。

训练的优化目标为：预测出来的噪声与扩散过程中所加入的真实噪声之间的均方误差MSE（Mean-Square Error）。

4.4、Diffusion-模型推理

模型推理，就是生成数据的过程。确切的生成算法如图8所示。

Algorithm2来源于论文DDPM-《Denoising Diffusion Probabilistic Models》。

DDPM的主要问题是效率低下，因为必须要经过T步，才能生成最终图片。

从图中可以看出，Noise Predicter预测出图片的噪声后，用Xt减去噪声，就得到了去噪后的图片。

但去噪声后，又给图片加上了一点高斯噪声。这是为什么呢？通常认为这是算法落地中的一个Trick。在机器学习中，这种Trick很常见，如dropout。这样通常能增加模型的泛化性。另一种解释是，Diffusion整体上是一个自回归Autoregressive过程，与GPT类似。在AR模型中，每一步都喜欢加一点随机性，如GPT中常用的BeamSearch。

4.5、三种解释

Diffusion Models是一个马尔可夫层次化变分自编码器（Markovian Hierarchical Variational Autoencoder）。

在这里插入图片描述

优化EBLO等价于优化以下任意一种目标函数：

1. 优化对原始数据x0的预测结果；—在Discrete Diffusion Models会用到；

2 优化对原始噪声的预测结果；—连续Diffusion Models中最常用；

3. 优化对分数函数的预测结果；—基于热力学能量函数的推导时用到。

4.7、Diffusion-Conditional

前面讨论的是论文DDPM中原生的Diffusion Models。但实践使用时，我们是要根据条件来生成目标数据。如文生图，需要根据给定的文本来生成目标图片。

从原理上来看，根据给定的条件生成数据，和原生的DDPM是完全一样的。只是拟合目标由后验概率分布转化为条件后验概率分布。这两者的理论推导是完全相同的。

在实现上，Noise Predicter的输入中增加了一个条件项，如输入的文本。当然这个条件项往往是其它模态的，需要进行Embedding才能输入到Noise Predicter的神经网络里面。

5、其他

5.1

DDPM的改进

DDPM最大的问题就是它的生成过程速度慢，效率低。需要一步一步地进行Denoising。为此，论文DDIM（Denosing Diffusion Implicit Models）对它进行了改进。

DDPM通常需要1000步来生成一张图片，但DDIM通过只需要5-20步即可。当然DDIM的图片质量略差于DDPM。

5.2

离散场景

图片是一种典型的连续场景，因为每个像素的取值在给定的范围（如0-1）之间可以随便选取。但还有很多离散的场景，如Text、Graph等。在离散场景中如何使用Diffusion Models呢？这还是一个新兴的研究方向，常用的做法是改变噪声的形式。

在这里插入图片描述

图12 Diffusion + Text

5.3

Stable Diffusion

Stable Diffusion是对原生Diffusion的一种改动。Stable Diffusion原来叫 Latent Diffusion Models。它与Diffusion的最大区别是噪声加在隐状态空间。

Diffusion的噪声与图片是相同尺寸的，它的加噪声和去噪声直接发生在原始数据上。Stable Diffusion会使用一个编码器，先把图片映射到一个低维的隐状态空间中，再在这个隐空间中对图片的Embedding进行加噪声和去噪声。因为隐状态空间的维度低，所以Stable Diffusion的速度比原生的Diffusion更快。但二者的理论基础是相同的！