【扩散模型系列学习】Diffusion Model

2024-08-26 17:36

本文主要是介绍【扩散模型系列学习】Diffusion Model,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!

Denoising Diffusion Probabilistic Models

生成模型简介

生成式模型:

  • 生成是“言出法随”
  • 生成是“涌现” or “幻觉”

定义:

  • 一个能随机生成与训练数据一致的模型

问题:

  • 如何对训练数据建模?
  • 如何采样?

思路:

  • 从一个简单分布采样是容易的
  • 从简单分布到观测数据分布是可以拟合的

生成模型的解题思路:

  • 将观测数据分布映射到简单分布【encoder】
  • 从简单分布中映射到观测数据分布【decoder】

在这里插入图片描述

Why 高斯?高斯混合模型

一个复杂分布可以用多个高斯分布来表示。假设有K个高斯分布,这K个高斯分布称作混合模型的隐变量。则复杂分布的概览分布是:
P θ ( x ) = ∑ i = 1 K P ( z i ) ∗ P θ ( x ∣ z i ) P_\theta(x)=\sum_{i=1}^KP(z_i)*P_\theta(x|z_i) Pθ(x)=i=1KP(zi)Pθ(xzi)
这里 P ( z i ) P(z_i) P(zi)表示第i个高斯分布在观测数据中所占概率。 P θ ( x ∣ z i ) P_\theta(x|z_i) Pθ(xzi)表示第i个高斯分布的概率分布函数。

实际K取多少?K是超参数吗?
我们得知里 P ( z i ) P(z_i) P(zi)表示第i个高斯分布在观测数据中所占概率,那么其积分=1,所以用一个连续的标准高斯分布来表示, P ( z ) ∼ N ( 0 , 1 ) P(z)\sim N(0,1) P(z)N(0,1)
上面离散的即转为连续。
P θ ( x ) = ∫ P ( z ) ∗ P θ ( x ∣ z ) P_\theta(x)=\int P(z)*P_\theta(x|z) Pθ(x)=P(z)Pθ(xz)

如何求 θ \theta θ
Maximum Likelihood Estimate: θ ∗ = a r g m a x θ P θ ( x ) \theta ^*=argmax_\theta P_\theta (x) θ=argmaxθPθ(x)
(详细公式推导略。)

DDPM

Diffusion Model 作为生成模型的一类同样包含encoder和decoder两个阶段。

  • 前向扩散过程:
    向观测数据中逐步加入噪声,直到观测数据变成高斯分布。
  • 反向生成过程:
    从一个高斯分布中采样,逐步消除噪声,直到变成清晰数据。

(受启发于非平衡热力学。)

前向扩散过程:

  1. 如何加噪声?
    x t = 1 − β t ∗ x t − 1 + β t ∗ ϵ t − 1 x_t=\sqrt{1-\beta_t}*x_{t-1}+\sqrt{\beta_t}*\epsilon_{t-1} xt=1βt xt1+βt ϵt1
  2. 加了多少次噪声?
    在DDPM中一共加了1000次噪声。

在这里插入图片描述

重参数采样:

若y是一个高斯分布 y ∼ N ( μ , σ 2 ) y\sim N(\mu,\sigma ^2) yN(μ,σ2)

  • y − μ σ ∼ N ( 0 , 1 ) \frac{y-\mu}{\sigma}\sim N(0,1) σyμN(0,1)

ϵ \epsilon ϵ是一个标准高斯分布

  • y = σ ∗ ϵ + μ ∼ N ( μ , σ 2 ) y=\sigma*\epsilon+\mu\sim N(\mu,\sigma ^2) y=σϵ+μN(μ,σ2)

所以 x t x_t xt 满足高斯分布 ( x t = 1 − β t ∗ x t − 1 + β t ∗ ϵ t − 1 x_t=\sqrt{1-\beta_t}*x_{t-1}+\sqrt{\beta_t}*\epsilon_{t-1} xt=1βt xt1+βt ϵt1),且:

  • x t ∼ N ( 1 − β t ∗ x t − 1 , β t ) x_t\sim N(\sqrt{1-\beta_t}*x_{t-1},\beta_t) xtN(1βt xt1,βt)

论文中的定义:

一个真实分布的data,分布满足 x 0 ∼ q ( x ) x_0\sim q(x) x0q(x),一共加了T次噪声,得到 x 1 , x 2 , . . . , x r x_1, x_2, ..., x_r x1,x2,...,xr
每次加噪声操作是对前一次加完噪声的结果操作(Markov chain),

q ( x t ∣ x t − 1 ) = N ( x t ; 1 − β t ∗ x t − 1 , β t I ) q(x_t|x_{t-1})=N(x_t;\sqrt{1-\beta_t}*x_{t-1},\beta_tI) q(xtxt1)=N(xt;1βt xt1,βtI)

β t \beta_t βt 是超参数,I 是标准高斯分布,在DDPM中, β t \beta_t βt是随着 t 线性增长的(随着 t 的增大, x t x_t xt 趋近于标准高斯分布)。

x t x_t xt 可以根据 x 0 , t x_0,t x0,t 直接推导出来

两个独立高斯分布的和依然是高斯分布,且均值为二者均值的和,方差为二者方差的和。

在这里插入图片描述
所以,给定图片和时间t,前向扩散是一个确定的过程。
q ( x t ∣ x 0 ) = N ( x t ; α ‾ t ∗ x 0 , ( 1 − α ‾ t ) ∗ ϵ ) q(x_t|x_0)=N(x_t;\sqrt{\overline{\alpha}_t}*x_0,(1-\overline{\alpha}_t)*\epsilon) q(xtx0)=N(xt;αt x0,(1αt)ϵ)

反向扩散过程:

反向生成过程:从一个高斯分布采样,通过反转过程生成观测图像
在这里插入图片描述
事实上在已知 x 0 x_0 x0情况下,反向生成过程也是一个确定性的过程。

根据贝叶斯公式
在这里插入图片描述

在这里插入图片描述

优化目标:

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

总结

  1. DDPM 是一类生成模型,输入是标准高斯噪声,输出是图片
  2. DDPM 是稳定易训练的
  3. DDPM 生成过程不是一步到位的,需要迭代(耗时)
  4. DDPM 的输入和输出尺寸是一致的(耗资源耗时)

针对耗时的问题
许多加速采样的方法应运而生,目的是降低迭代的次数,从而提速

针对耗资源的问题
Latent Diffusion Models 通过结合 VQ-VAE,将diffusion model做到VAE的encoder输出上,如此减少了diffusion model的输入尺寸,也节省了资源和耗时。


Reference:
B站up主: SY_007 Diffusion Model讲解视频

A u t h o r : C h i e r Author:Chier Author:Chier

这篇关于【扩散模型系列学习】Diffusion Model的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1109228

相关文章

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

GORM中Model和Table的区别及使用

《GORM中Model和Table的区别及使用》Model和Table是两种与数据库表交互的核心方法,但它们的用途和行为存在著差异,本文主要介绍了GORM中Model和Table的区别及使用,具有一... 目录1. Model 的作用与特点1.1 核心用途1.2 行为特点1.3 示例China编程代码2. Tab

C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)

《C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)》本文主要介绍了C#集成DeepSeek模型实现AI私有化的方法,包括搭建基础环境,如安装Ollama和下载DeepS... 目录前言搭建基础环境1、安装 Ollama2、下载 DeepSeek R1 模型客户端 ChatBo

SpringBoot快速接入OpenAI大模型的方法(JDK8)

《SpringBoot快速接入OpenAI大模型的方法(JDK8)》本文介绍了如何使用AI4J快速接入OpenAI大模型,并展示了如何实现流式与非流式的输出,以及对函数调用的使用,AI4J支持JDK8... 目录使用AI4J快速接入OpenAI大模型介绍AI4J-github快速使用创建SpringBoot

0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

《0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeekR1模型的操作流程》DeepSeekR1模型凭借其强大的自然语言处理能力,在未来具有广阔的应用前景,有望在多个领域发... 目录0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型,3步搞定一个应

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll

Spring AI Alibaba接入大模型时的依赖问题小结

《SpringAIAlibaba接入大模型时的依赖问题小结》文章介绍了如何在pom.xml文件中配置SpringAIAlibaba依赖,并提供了一个示例pom.xml文件,同时,建议将Maven仓... 目录(一)pom.XML文件:(二)application.yml配置文件(一)pom.xml文件:首

如何在本地部署 DeepSeek Janus Pro 文生图大模型

《如何在本地部署DeepSeekJanusPro文生图大模型》DeepSeekJanusPro模型在本地成功部署,支持图片理解和文生图功能,通过Gradio界面进行交互,展示了其强大的多模态处... 目录什么是 Janus Pro1. 安装 conda2. 创建 python 虚拟环境3. 克隆 janus

本地私有化部署DeepSeek模型的详细教程

《本地私有化部署DeepSeek模型的详细教程》DeepSeek模型是一种强大的语言模型,本地私有化部署可以让用户在自己的环境中安全、高效地使用该模型,避免数据传输到外部带来的安全风险,同时也能根据自... 目录一、引言二、环境准备(一)硬件要求(二)软件要求(三)创建虚拟环境三、安装依赖库四、获取 Dee