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】
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(x∣zi)
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(x∣zi)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(x∣z)
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:
- 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=1−βt∗xt−1+βt∗ϵt−1 - 加了多少次噪声?
在DDPM中一共加了1000次噪声。
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) y∼N(μ,σ2)
- 则 y − μ σ ∼ N ( 0 , 1 ) \frac{y-\mu}{\sigma}\sim N(0,1) σy−μ∼N(0,1)
设 ϵ \epsilon ϵ是一个标准高斯分布
- 则 y = σ ∗ ϵ + μ ∼ N ( μ , σ 2 ) y=\sigma*\epsilon+\mu\sim N(\mu,\sigma ^2) y=σ∗ϵ+μ∼N(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=1−βt∗xt−1+βt∗ϵt−1),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) xt∼N(1−βt∗xt−1,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) x0∼q(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(xt∣xt−1)=N(xt;1−βt∗xt−1,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。
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(xt∣x0)=N(xt;αt∗x0,(1−αt)∗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
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
优化目标:
总结
- DDPM 是一类生成模型,输入是标准高斯噪声,输出是图片
- DDPM 是稳定易训练的
- DDPM 生成过程不是一步到位的,需要迭代(耗时)
- 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!