深入浅出 diffusion(5)：理解 Latent Diffusion Models(LDMs)

本文主要是介绍深入浅出 diffusion(5)：理解 Latent Diffusion Models(LDMs)，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！

        如果你了解 diffusion 原理的话，那么理解 Latent Diffusion Models 的原理就比较容易。论文High-Resolution Image Synthesis with Latent Diffusion Models（Latent Diffusion Models）发表于CVPR2022，第一作者是Robin Rombach（慕尼黑大学）。

1. LDM 优势

        论文特点在于：

• Diffusion model 训练和推理代价都很高。通过在潜在表示空间（latent space）上进行 diffusion 过程的方法，从而能够大大减少计算复杂度并达到较好的效果。
• 可以生成更细致的图像，并且在高分辨率图片生成任务（如风景图生成，百万像素图像）上表现得也很好。
• 模型在无条件图片生成（unconditional image synthesis）, 图片修复（inpainting）,图片超分（super-resolution）任务上进行了实验，都取得了不错的效果。
• 论文还提出了cross-attention的方法来实现多模态训练，使得条件图片生成任务也可以实现。论文中提到的条件图片生成任务包括类别条件图片生成（class-condition）, 文图生成（text-to-image）, 布局条件图片生成（layout-to-image）。

2. LDM 原理

        LDM 的网络示意图如下所示。

2.1 图片感知压缩

        图片感知压缩（Perceptual Image Compression）特点如下：

• 目的
• 给定一个RGB空间内的图像x，编码器把x编成潜空间的z，解码器从潜空间把z解码回 。
• 训练 loss
• KL 正则和 VQ 正则。实验结果显示虽然FID指标上 VQ 比 KL 稍微好一点点，VQ分数是14.99，KL分数是15.21（FID越低越好），但是VQ的视觉效果要比KL好很多。

2.2 潜在扩散模型

        潜在扩散模型中，引入了预训练的感知压缩模型，它包括一个编码器  和一个解码器 。这样就可以利用在训练时就可以利用编码器得到 ，从而让模型在潜在表示空间中学习。

        下式为 DM 的目标函数：

         下式为 LDM 的目标函数：

2.3  条件机制

        条件机制（Conditioning Mechanisms）本质在于通过交叉注意机制增强其底层 UNet 主干，将 DM 转变为更灵活的条件图像生成器，这让基于attention的模型学习多种输入模态更有效了。

        Attention 计算公式如下：

        其中：

 3 训练与推理

3.1 训练

         训练过程分两步：

• 第一步，训练一个VAE（下图中横的虚线框），得到x到 zt 的编码器 Encoder 和还原回 x′ 的解码器 Decoder；
• 第二步，训练一个扩散模型LDM，学习一个噪声到 zt 的生成过程。其中LDM的架构是个Unet（如果包含条件输入的话，则条件信息的编码器与LDM一起训练）。

3.2 推理

        推理过程分为无条件信息和有条件信息两种情况：

        没有条件信息：

• 从高斯噪声采样，经过LDM模型，得到潜空间图像zt；
• zt经过 Decoder 模型还原到原图。

        有条件信息

• 从高斯噪声采样
• 条件信息经过条件处理的编码器得到的输出与初始高斯噪声以及u-net进行耦合（concat，attention），经过LDM得到潜在空间图像zt
• zt经过 Decoder 模型还原到原图。

这篇关于深入浅出 diffusion(5)：理解 Latent Diffusion Models(LDMs)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！

---