【深度学习】SDXL中的Offset Noise,Diffusion with Offset Noise,带偏移噪声的扩散

2024-05-15 22:20

本文主要是介绍【深度学习】SDXL中的Offset Noise,Diffusion with Offset Noise,带偏移噪声的扩散,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!

https://www.crosslabs.org//blog/diffusion-with-offset-noise

带有偏移噪声的扩散
针对修改后的噪声进行微调,使得稳定扩散能够轻松生成非常暗或非常亮的图像。
作者:尼古拉斯·古藤伯格
|
2023年1月30日

马里奥兄弟使用稳定扩散挖掘隧道。左图显示了未使用偏移噪声的原始结果,右图使用偏移噪声显示了更丰富的黑色调。
在这里插入图片描述

稳定扩散在使用偏移噪声前(左)和使用偏移噪声后(右)

去噪扩散概率模型(Denoising Diffusion Probabilistic Models)是一种相对较新的生成神经网络模型,可以从从数据中学习到的高维概率分布中生成样本。其他解决同类问题的方法包括生成对抗网络(Generative Adversarial Networks)、归一化流(Normalizing Flows)以及各种形式的自回归模型,这些模型一次或分批对维度进行采样。此类模型的主要应用之一是在图像合成中,扩散模型在图像质量方面最近竞争力很强,特别是在生成全局连贯的图像构图方面。稳定扩散(Stable Diffusion)是一个预训练的、公开可用的模型,能够使用这种技术生成一些惊人的结果。然而,它有一个有趣的限制,似乎大多没有被注意到。如果你试图让它生成特别暗或特别亮的图像,它几乎总是生成平均值相对接近0.5的图像(全黑图像为0,全白图像为1)。例如:

在这里插入图片描述

左上:暴雨中的黑暗小巷(0.301);右上:白色背景上的单色线条艺术标志(0.709);左下:阳光明媚的雪坡(0.641);右下:仅有火把照亮的广场(0.452)

大多数情况下,这些图像仍然是合理的。但是,这种平均值趋近于0.5的软约束可能导致图像显得淡化、亮雾区域平衡其他暗区域、高频纹理(在标志中)而不是空白区域、灰色背景而不是白色或黑色等。虽然有些可以通过手动后期处理来修正或调整,但这里也存在一个更大的潜在限制,即场景的整体色调可能与表现和构图的其他方面相关,这样扩散模型就无法像其他方法那样自由探索这些方面。但为什么会这样呢?我是想象中的效果还是这些结果是“正确的”?这是训练数据的问题、架构的问题还是扩散模型本身的问题?(事实证明是最后一个)。

不过,首先,为了确保我没有想象出这些效果,我尝试针对一张全黑图像对稳定扩散进行微调。通常,对稳定扩散(SD)进行微调效果很好——有一种称为Dreambooth的技术可以教SD新的特定概念,比如特定的人的脸或特定的猫,几十张图像和几千次梯度更新就足够让模型学会特定对象的样子。将其扩展到一万步,它甚至可以开始记住特定的图像。

但当我针对这张全黑图像进行了3000步微调后,对于“全黑图像”的生成结果仍然如下:

在这里插入图片描述

使用提示:“全黑图像”

所以看来不仅SD开箱即用时无法生成过于暗或亮的图像,而且它甚至无法学会这样做。除非对其进行一些修改。

要理解发生了什么,帮助很大的是研究一下扩散模型正在学习反转的内容。通常,扩散模型被公式化为特定前向随机过程的逆过程——重复添加少量“独立同分布”(iid)的高斯噪声。也就是说,每个像素在潜在空间中在每一步都接收自己的随机样本。扩散模型学习在进行了一些步后,从图像中找到返回原始图像的方向。给定这个可以“向真实图像倒退”的模型,你从纯噪声开始,反转噪声过程以得到新的图像。

问题在于,你在前向过程中永远不会完全擦除原始图像,因此,从纯噪声开始的逆过程模型并不能完全回到图像的真实分布。相反,那些噪声最后破坏的特征在逆过程中变化最小——这些特征继承自用于开始过程的潜在噪声样本。乍一看可能不明显,但如果你研究前向过程如何破坏图像,长波长特征需要更长时间才能被噪声破坏:

这就是为什么使用相同的潜在噪声种子但不同提示往往会生成在整体构图上相关但在个体纹理或小尺度图案上不同的图像。扩散过程不知道如何改变这些长波长特征。而最长的波长特征是整个图像的平均值,也是独立样本之间变化最小的特征。这个问题在目标对象的维度越高时越严重,因为独立噪声样本集合的标准差与1/N成比例。因此,如果你生成一个4维向量,这可能不是大问题——你只需要两倍的样本来获得最低频率分量与最高频率分量。但在512x512分辨率的稳定扩散中,你生成的是一个3 x 64^2 = 12288维的对象。所以最长波长变化比最短波长慢大约100倍,意味着你需要考虑成百上千步才能捕捉到,而默认值大约是50(对于一些复杂的采样器,甚至低至20)。

似乎增加采样步数确实可以帮助SD生成更极端的图像,但我们可以做得更好,并提供一个即插即用的解决方案。诀窍在于我们教扩散模型逆转的噪声结构。因为我们使用的是iid样本,我们有这个1/N效应。但如果我们使用的噪声看起来像每个像素的iid样本加上整个图像相同的单个iid样本呢?用代码术语来说,目前的训练循环使用的噪声如下:noise = torch.randn_like(latents)但我可以使用这样的噪声:noise = torch.randn_like(latents) + 0.1 * torch.randn(latents.shape[0], latents.shape[1], 1, 1)这将使模型学习自由改变零频分量,因为该分量现在比基础分布快随机化约10倍(选择0.1在我的有限数据和训练时间内效果很好——如果我设得太大,它会倾向于主导模型的现有行为,但如果设得太小,我不会看到改善)。

用这样的噪声进行约一千步的微调,仅需40张手工标注的图像,就足以显著改变稳定扩散的行为,而不会让它在以前能够生成的东西上变得更糟。以下是文章上方四个提示的对比结果:
在这里插入图片描述

右上:暴雨中的黑暗小巷(0.032);左上:白色背景上的单色线条艺术标志(0.974);左下:阳光明媚的雪坡(0.858);右下:仅有火把照亮的广场(0.031)

在这里插入图片描述

星空在使用偏移噪声前后

在这里插入图片描述

超级英雄在黑暗小巷中与植物怪物战斗前后

结论
有许多论文讨论了改变去噪扩散模型的噪声调度,以及使用不同于高斯分布的噪声,甚至完全去除噪声而使用其他破坏操作如模糊或遮罩。然而,大多数关注点似乎是加速推理过程——能够使用更少的步数。似乎没有太多关注关于噪声(或图像破坏操作)的设计决策如何限制可以轻松合成的图像类型。然而,这对于这些模型的美学和艺术用途来说非常相关。对于深入定制这些模型并进行自己的微调的个别艺术家来说,针对某个项目调整使用这种偏移噪声并不难。你可以使用我们的检查点文件(在访问此文件前请阅读最后的注意事项)。但是,用少量图像进行微调,结果永远不会像大项目可以实现的那样普遍或好。

因此,我想以一个请求结束,向那些参与训练这些大型模型的人:请在下次进行大规模训练时,在训练过程中加入一点这样的偏移噪声。它应该显著增加模型的表现范围,允许在生成标志、剪切图、自然明亮和黑暗的场景、强色彩照明的场景等方面得到更好的结果。这是一个非常简单的技巧!

这篇关于【深度学习】SDXL中的Offset Noise,Diffusion with Offset Noise,带偏移噪声的扩散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/993080

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件