[论文阅读笔记18] DiffusionDet论文笔记与代码解读

扩散模型近期在图像生成领域很火, 没想到很快就被用在了检测上. 打算对这篇论文做一个笔记.

论文地址: 论文
代码: 代码

0. 扩散模型简述

首先介绍什么是扩散模型. 我们考虑生成任务, 即encoder-decoder形式的模型, encoder提取输入的抽象信息, 并尝试在decoder中恢复出来. 扩散模型就是这一类中的方法, 其灵感由热力学而来, 基本做法是在输入中逐步加噪, 并学会如何在噪声中恢复出输入. 假定加噪的过程为Markov过程.

扩散模型和GAN, VAE虽然同为生成式模型, 但其思想不同. GAN是将模型分为生成器与鉴别器两个部分, 生成器的目的是让鉴别器分不出她的输出并非来自于真实数据集合, 而鉴别器的目的是不要被生成器欺骗. 这种博弈的方式有的时候也会陷入一些困境(例如难以到达纳什均衡). VAE得到的潜在变量(latent variable)的维度是小于输入的, 而扩散模型的中间变量的维度与输入相同.

0.1 加噪的前向过程

假定原始数据服从分布${\mathbf{x}}_0\sim q(\mathbf{x})$, 现在我们逐步对其加噪, 加入的是高斯噪声. 对于每一步加噪, 我们希望将分布$q$逐渐向高斯过程靠近, 也即让$q({\mathbf{x}}_t|{\mathbf{x}}_{t-1})=\mathcal{N}$. 在每一步, 我们假定高斯分布的均值与过去的值${\mathbf{x}}_{t-1}$有关, 而协方差为固定值(对角阵):

$$q({\mathbf{x}}_t|{\mathbf{x}}_{t-1})=\mathcal{N}({\mathbf{x}}_t;\sqrt{1-{\beta }_t}{\mathbf{x}}_{t-1},{\beta }_t\mathbf{I})$$

其中${\beta }_t$为一小正数, 在0~1之间.

注意我们假定加噪过程为Markov过程, 因此当前状态${\mathbf{x}}_t$只假定与上一状态${\mathbf{x}}_{t-1}$有关.

因此, 当前时刻${\mathbf{x}}_t$是由前一时刻${\mathbf{x}}_{t-1}$决定的正态分布, 其均值为$\sqrt{1-{\beta }_t}{\mathbf{x}}_{t-1}$, 方差为${\beta }_t\mathbf{I}$. 为了表示${\mathbf{x}}_t$, 这里我们使用一下重参数化(Re-parametrization)技巧. 重参数化是说, 如果我们从一个高斯分布中取样, 也等效于从标准高斯分布中取样, 只不过是加上均值, 以及乘以标准差. 这是因为一个$x\sim \mathcal{N}(\mu ,{\sigma }^2)$的高斯分布可以等价于$\mu +\sigma ϵ$, 其中$ϵ\sim \mathcal{N}(0,1)$.

由高斯分布性质立即得到.

因此, ${\mathbf{x}}_t$可以表示为:

$${\mathbf{x}}_t=\sqrt{1-{\beta }_t}{\mathbf{x}}_{t-1}+\sqrt{{\beta }_t}{ϵ}_{t-1}$$

其中${ϵ}_{t-1}\sim \mathcal{N}(0,I)$. 为了表示方便, 令$\sqrt{1-{\beta }_t}=\sqrt{{\alpha }_t}$, 将上式递归展开, 我们有:

$${\mathbf{x}}_t=\sqrt{{\alpha }_t}(\sqrt{{\alpha }_{t-1}}{\mathbf{x}}_{t-2}+\sqrt{1-{\alpha }_{t-1}}{ϵ}_{t-2})+\sqrt{{\beta }_t}{ϵ}_{t-1}$$

我们注意到后面两项可以合并为一个新的高斯分布, 其均值为0, 方差为$1-{\alpha }_t{\alpha }_{t-1}$, 按此规律展开, 我们得到:

$${\mathbf{x}}_t=\sqrt{{\Pi }_i{\alpha }_i}{\mathbf{x}}_0+\sqrt{1-{\Pi }_i{\alpha }_i}ϵ,ϵ\sim \mathcal{N}(0,I)$$

所以, 我们可以直接从${\mathbf{x}}_0$得到${\mathbf{x}}_t$的分布:

$$q({\mathbf{x}}_t|{\mathbf{x}}_0)=\mathcal{N}({\mathbf{x}}_t;\sqrt{{\Pi }_i{\alpha }_i}{\mathbf{x}}_0,\sqrt{1-{\Pi }_i{\alpha }_i}\mathbf{I})$$

所以, 随着时间的增加, ${\mathbf{x}}_t$会越来越趋向于标准正态分布. 以上就是加噪的过程.

0.2 去噪的反向过程

我们假定, 在加噪的正向过程中最后的结果已经近似为标准高斯分布${\mathbf{x}}_T\sim \mathcal{N}(0,\mathbf{I})$. 我们现在希望从加噪后的高斯分布中恢复出原来的信号, 即, 通过逐步计算$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t)$恢复. 然而, 如果这样计算的话, 需要从整个数据集中采样, 计算量非常大(有可能是因为类似于高斯混合模型的过程), 为此, 我们希望学习出一个模型$p_{\theta }$来学习恢复过程中的条件概率:
$$p_{\theta }({\mathbf{x}}_{t-1}|{\mathbf{x}}_t)=\mathcal{N}({\mathbf{x}}_{t-1},{\mu }_{\theta }({\mathbf{x}}_t,t),{\Sigma }_{\theta }({\mathbf{x}}_t,t))$$

我们需要做的是让分布$p({\mathbf{x}}_{t-1}|{\mathbf{x}}_t)$尽可能与$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t)$接近.

我们很难计算$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t)$, 但可以考察以${\mathbf{x}}_0为条件的以下概率$:

$$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t,{\mathbf{x}}_0)$$

根据Bays公式, 有:

$$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t,{\mathbf{x}}_0)=\frac{q({\mathbf{x}}_t,{\mathbf{x}}_{t-1},|{\mathbf{x}}_0)}{q({\mathbf{x}}_t|{\mathbf{x}}_0)}=q({\mathbf{x}}_t|{\mathbf{x}}_{t-1},{\mathbf{x}}_0)\frac{q({\mathbf{x}}_{t-1}|{\mathbf{x}}_0)}{q({\mathbf{x}}_t|{\mathbf{x}}_0)}$$

扩散过程为Markov过程, 因此有:

$$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t,{\mathbf{x}}_0)=q({\mathbf{x}}_t|{\mathbf{x}}_{t-1})\frac{q({\mathbf{x}}_{t-1}|{\mathbf{x}}_0)}{q({\mathbf{x}}_t|{\mathbf{x}}_0)}$$

代入高斯分布表达式, 并凑出均值和方差(整理成 exp ⁡ { 1 2 σ 2 ( x t − μ ) 2 } \exp\{\frac{1}{2\sigma^2}(x_t-\mu)^2\} exp{2σ21​(xt​−μ)2}的形式), 我们得到$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t,{\mathbf{x}}_0)$的均值为:

$$\mu =\frac{\sqrt{{\alpha }_t}(1-{\Pi }_i^{T-1}{\alpha }_i)}{1-{\Pi }_i^T{\alpha }_i}{\mathbf{x}}_t+\frac{\sqrt{{\Pi }_i^{T-1}{\alpha }_i}(1-{\alpha }_t)}{1-{\Pi }_i^T{\alpha }_i}{\mathbf{x}}_0$$
根据前面的重参数化技巧, 有${\mathbf{x}}_t=\sqrt{{\Pi }_i{\alpha }_i}{\mathbf{x}}_0+\sqrt{1-{\Pi }_i{\alpha }_i}{ϵ}_t,{ϵ}_t$为网络在这一步预测的高斯噪声, 代入上式得到:

$$\mu =\frac{1}{\sqrt{{\alpha }_t}}({\mathbf{x}}_t-\frac{1-{\alpha }_t}{\sqrt{1-{\Pi }_i^T{\alpha }_i}}ϵ)$$

方差为:

$$\Sigma =\frac{1-{\Pi }_i^{T-1}{\alpha }_i}{1-{\Pi }_i^T{\alpha }_i}$$

所以

$$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t,{\mathbf{x}}_0)\sim \mathcal{N}(\mu ,\Sigma )$$

所以, 逆扩散的过程为: 根据网络从${\mathbf{x}}_t$预测的噪声${ϵ}_t$计算出均值与方差, 进而得到$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t,{\mathbf{x}}_0)$, 作为$p_{\theta }({\mathbf{x}}_{t-1}|{\mathbf{x}}_t)$的近似, 如此得到${\mathbf{x}}_{t-1}$, 再根据${\mathbf{x}}_{t-1}$预测出下一步的噪声${ϵ}_{t-1}$, 如此往复, 如下图所示(图源知乎)

0.3 采样过程的加速

然而, 如果按照上述方式更新, 则采样速度非常慢. 一种方式是我们可以跨步采样, 也就是一共$T$个恢复时长, 我们每隔$\lceil T/S\rceil$步采样一次, 这样只需要采样$S$次.

另一种方法是, 我们直接通过前向加噪过程的变形来计算当前的恢复过程. 前向加噪过程与原始输入${\mathbf{x}}_0$的关系为:

$${\mathbf{x}}_t=\sqrt{{\Pi }_i{\alpha }_i}{\mathbf{x}}_0+\sqrt{1-{\Pi }_i{\alpha }_i}ϵ,ϵ\sim \mathcal{N}(0,I)$$

为了表示方便, 下面以${\bar{\alpha }}_k$表示${\Pi }_{i=1}^k{\alpha }_i$.

在噪声恢复过程中, 我们以网络预测的噪声${ϵ}_t$估计加噪过程中加入的噪声, 即

$${\mathbf{x}}_t=\sqrt{{\bar{\alpha }}_t}{\mathbf{x}}_0+\sqrt{1-{\bar{\alpha }}_t}{ϵ}_t$$

翻转的过程用${\mathbf{x}}_t$估计${\mathbf{x}}_{t-1}$, 将上式的$t$换成$t-1$, 有:

$${\mathbf{x}}_{t-1}=\sqrt{{\bar{\alpha }}_{t-1}}{\mathbf{x}}_0+\sqrt{1-{\bar{\alpha }}_{t-1}}{ϵ}_{t-1}$$

但我们在${\mathbf{x}}_t$时刻只能得到该时刻的噪声预测${ϵ}_t$, 因此对上式做恒等变换:

$$\begin{array}{rl}{\mathbf{x}}_{t-1}& =\sqrt{{\bar{\alpha }}_{t-1}}{\mathbf{x}}_0+\sqrt{1-{\bar{\alpha }}_{t-1}}{\mathbf{ϵ}}_{t-1}\\ & =\sqrt{{\bar{\alpha }}_{t-1}}{\mathbf{x}}_0+\sqrt{1-{\bar{\alpha }}_{t-1}-{\sigma }_t^2}{\mathbf{ϵ}}_t+{\sigma }_t\mathbf{ϵ}\end{array}$$

该式也可以理解为给采样增加不确定度${\sigma }_t\mathbf{ϵ}$, 实际上DiffusionDet采样正是采用的这个公式.

所以

$$q_{\sigma }({\mathbf{x}}_{t-1}|{\mathbf{x}}_t,{\mathbf{x}}_0)=\mathcal{N}({\mathbf{x}}_{t-1};\sqrt{{\bar{\alpha }}_{t-1}}{\mathbf{x}}_0+\sqrt{1-{\bar{\alpha }}_{t-1}-{\sigma }_t^2}\frac{{\mathbf{x}}_t-\sqrt{{\bar{\alpha }}_t}{\mathbf{x}}_0}{\sqrt{1-{\bar{\alpha }}_t}},{\sigma }_t^2\mathbf{I})$$

对比形式$q({\mathbf{x}}_{t-1}|{\mathbf{x}}_t,{\mathbf{x}}_0)=\mathcal{N}({\mathbf{x}}_{t-1};\tilde{\mathbf{\mu }}({\mathbf{x}}_t,{\mathbf{x}}_0),{\tilde{\beta }}_t\mathbf{I})$, 得到

$${\tilde{\beta }}_t={\sigma }_t^2=\frac{1-{\bar{\alpha }}_{t-1}}{1-{\bar{\alpha }}_t}\cdot {\beta }_t=\frac{1-{\bar{\alpha }}_{t-1}}{1-{\bar{\alpha }}_t}\cdot (1-{\alpha }_t)$$

在实践中, 令${\sigma }_t^2=\eta \cdot {\tilde{\beta }}_t$来控制采样的随机程度. 当$\eta =0$的时候, 表明采样过程是完全确定的(由网络预测的${\mathbf{ϵ}}_t$决定, 消除了另一个随机因子$\mathbf{ϵ}$的影响).

总结一下, 可以在翻转过程中进行如下步骤来提高速度:

1. 在第$t$步, 获取${\bar{\alpha }}_t,{\bar{\alpha }}_{t-1},{\alpha }_t$
2. 获取网络预测的噪声${\mathbf{ϵ}}_t$
3. 计算${\sigma }_t=\eta \sqrt{\frac{1-{\bar{\alpha }}_{t-1}}{1-{\bar{\alpha }}_t}\cdot (1-{\alpha }_t)}$
4. 计算$${\mathbf{x}}_{t-1}=\sqrt{{\bar{\alpha }}_{t-1}}{\mathbf{x}}_0+\sqrt{1-{\bar{\alpha }}_{t-1}-{\sigma }_t^2}{\mathbf{ϵ}}_t+{\sigma }_t\mathbf{ϵ}$$
5. 直至$t=0$

0.4 损失函数

我们得到$q({\text{x}}_{t-1}|{\text{x}}_t,{\text{x}}_0)$的目的是: 让网络学习的$p$与$q({\text{x}}_{t-1}|{\text{x}}_t,{\text{x}}_0)$尽量接近, 或说用$q({\text{x}}_{t-1}|{\text{x}}_t,{\text{x}}_0)$指导$p$的训练(可认为最小化二者之间的散度).

具体损失函数再补充.

1. DiffusionDet

1.1 总览

DiffusionDet的思想非常直接, 既然目标检测是要准确地定位边界框的位置, 那么利用Diffusion Model的强大噪声恢复(学习)能力就可以优化检测的结果. 整体框架如下:

上图中, Image Encoder(为ResNet或Swin Transformer)提取图像的特征, 然后Detection Decoder接受噪声化的边界框, 并恢复边界框的初始值, 同时预测类别. 整体来说, 需要学习一个网络$f_{\theta }$, 从$z_T$中恢复出$z_0$, 其中$z$为边界框. 损失函数即为恢复的值与初始值的差的2-范数:

$${\mathcal{L}}_{train}=\frac{1}{2}||f_{\theta }(z_t,t)-z_0|{|}^2$$

如上图所示, 为了减少计算量, Diffusion Model从原始图片提取的高级特征中学习. Image Encoder就是提取图像特征的, 作者采用了ResNet和SwinTransformer.

而Detection Decoder接受加噪的bbox和特征图, 并返回恢复的bbox.

1.2 训练过程

训练过程的每次迭代大致分为四步:

1. Encoder提取特征
2. 从标准高斯分布中采样给真值框加噪, 公式: ${\mathbf{x}}_t=\sqrt{{\Pi }_i{\alpha }_i}{\mathbf{x}}_0+\sqrt{1-{\Pi }_i{\alpha }_i}ϵ,ϵ\sim \mathcal{N}(0,I)$
3. 将加噪后的真值框和特征图输入到要学习的encoder网络$f_{\theta }$
4. 计算loss

伪代码:

训练过程中有几个细节:

1. 保证每次迭代输入到encoder中的框数目都相同. 作者通过尝试重复GT框, 以及concat随机大小的框或与图像大小相同的框, 发现还是concat随机大小的框效果最好
2. 训练损失. 对于预测的框采用集合预测损失. 值得注意的是, 为每个gt框分配$k$个预测框, 而$k$个预测框的选取是利用指派问题进行分配(类似匈牙利算法).

1.3 推理过程

推理过程大致分为三步:

1. Encoder提取特征
2. 从标准高斯分布中产生边界框
3. 从$T$至$0$, 将随机框, 特征和时间输入到decoder中, 逐步恢复出初始边界框. 恢复的过程具体是:

1. 在第$t$步, 获取${\bar{\alpha }}_t,{\bar{\alpha }}_{t-1},{\alpha }_t$
2. 获取网络预测的噪声${\mathbf{ϵ}}_t$
3. 计算${\sigma }_t=\eta \sqrt{\frac{1-{\bar{\alpha }}_{t-1}}{1-{\bar{\alpha }}_t}\cdot (1-{\alpha }_t)}$
4. 计算$${\mathbf{x}}_{t-1}=\sqrt{{\bar{\alpha }}_{t-1}}{\mathbf{x}}_0+\sqrt{1-{\bar{\alpha }}_{t-1}-{\sigma }_t^2}{\mathbf{ϵ}}_t+{\sigma }_t\mathbf{ϵ}$$
5. 直至$t=0$

伪代码:

在推理过程中值得注意的是bbox更新机制. 由于输入的是固定数量的随机框, 在训练阶段我们也是加入了随机框来使数目一样, 因此输出的有些是对应于GT的bbox, 有些则是随机的. 如果把随机的再一起喂到下一步, 作者说这样就破坏了原本的分布, 因此对于每一步预测的框, 将置信度过低的舍弃, 并以新的随机框补充.

2. 代码解读

首先看一下./diffusiondet/detector.py中的DiffusionDet类, 其是该论文的核心代码. 其中的forward函数:

def forward(self, batched_inputs, do_postprocess=True):
        images, images_whwh = self.preprocess_image(batched_inputs)  # 预处理 归一化&填充
        if isinstance(images, (list, torch.Tensor)):
            images = nested_tensor_from_tensor_list(images)

        # Feature Extraction.
        src = self.backbone(images.tensor)  # Encoder 提取各级特征
        features = list()
        for f in self.in_features:
            feature = src[f]
            features.append(feature)

        # Prepare Proposals.
        if not self.training:  # 如果是推理阶段
            results = self.ddim_sample(batched_inputs, features, images_whwh, images)  # 从T时刻至0时刻 逐步采样恢复
            return results

        if self.training:  # 训练阶段
            gt_instances = [x["instances"].to(self.device) for x in batched_inputs]
            targets, x_boxes, noises, t = self.prepare_targets(gt_instances)  # prepare_targets: 对GT框逐步加噪
            t = t.squeeze(-1)
            x_boxes = x_boxes * images_whwh[:, None, :]

            outputs_class, outputs_coord = self.head(features, x_boxes, t, None)  # 经过RCNNhead 预测类别和bbox
            output = {'pred_logits': outputs_class[-1], 'pred_boxes': outputs_coord[-1]}

            if self.deep_supervision:
                output['aux_outputs'] = [{'pred_logits': a, 'pred_boxes': b}
                                         for a, b in zip(outputs_class[:-1], outputs_coord[:-1])]

            loss_dict = self.criterion(output, targets)  # 计算loss
            weight_dict = self.criterion.weight_dict
            for k in loss_dict.keys():
                if k in weight_dict:
                    loss_dict[k] *= weight_dict[k]
            return loss_dict

可以看到, 里面还有两个重点的self.prepare_targets(训练过程中的加噪)和self.ddim_sample(推理过程中的采样)

    def prepare_targets(self, targets):
        new_targets = []
        diffused_boxes = []
        noises = []
        ts = []
        for targets_per_image in targets:
            target = {}
            h, w = targets_per_image.image_size
            image_size_xyxy = torch.as_tensor([w, h, w, h], dtype=torch.float, device=self.device)
            gt_classes = targets_per_image.gt_classes
            gt_boxes = targets_per_image.gt_boxes.tensor / image_size_xyxy
            gt_boxes = box_xyxy_to_cxcywh(gt_boxes)  # 以上预处理真值框
            d_boxes, d_noise, d_t = self.prepare_diffusion_concat(gt_boxes)  # 核心部分 计算加噪后的框
            diffused_boxes.append(d_boxes)
            noises.append(d_noise)
            ts.append(d_t)
            target["labels"] = gt_classes.to(self.device)
            target["boxes"] = gt_boxes.to(self.device)
            target["boxes_xyxy"] = targets_per_image.gt_boxes.tensor.to(self.device)
            target["image_size_xyxy"] = image_size_xyxy.to(self.device)
            image_size_xyxy_tgt = image_size_xyxy.unsqueeze(0).repeat(len(gt_boxes), 1)
            target["image_size_xyxy_tgt"] = image_size_xyxy_tgt.to(self.device)
            target["area"] = targets_per_image.gt_boxes.area().to(self.device)
            new_targets.append(target)  # target为蕴含大小、类别等信息的真值
        # 返回真值、加噪后的框、噪声和步长
        return new_targets, torch.stack(diffused_boxes), torch.stack(noises), torch.stack(ts)

其中的加噪过程在self.prepare_diffusion_concat(gt_boxes), 我们可以看到:

def prepare_diffusion_concat(self, gt_boxes):
        """
        :param gt_boxes: (cx, cy, w, h), normalized
        :param num_proposals:
        """
        t = torch.randint(0, self.num_timesteps, (1,), device=self.device).long()  # 确定随机步长
        noise = torch.randn(self.num_proposals, 4, device=self.device)  # 产生标准正态分布

        num_gt = gt_boxes.shape[0]  # gt框数目
        if not num_gt:  # generate fake gt boxes if empty gt boxes
            gt_boxes = torch.as_tensor([[0.5, 0.5, 1., 1.]], dtype=torch.float, device=self.device)
            num_gt = 1

        if num_gt < self.num_proposals:  # 如果gt框比预设的固定数目小 则随机再填充一些框
            box_placeholder = torch.randn(self.num_proposals - num_gt, 4,
                                          device=self.device) / 6. + 0.5  # 3sigma = 1/2 --> sigma: 1/6
            box_placeholder[:, 2:] = torch.clip(box_placeholder[:, 2:], min=1e-4)
            x_start = torch.cat((gt_boxes, box_placeholder), dim=0)
        elif num_gt > self.num_proposals:  # 如果比预设数目多 就随机抹掉一些GT框
            select_mask = [True] * self.num_proposals + [False] * (num_gt - self.num_proposals)
            random.shuffle(select_mask)
            x_start = gt_boxes[select_mask]
        else:
            x_start = gt_boxes

        x_start = (x_start * 2. - 1.) * self.scale

        # noise sample
        x = self.q_sample(x_start=x_start, t=t, noise=noise)  # 前向加噪过程

        x = torch.clamp(x, min=-1 * self.scale, max=self.scale)  # 限制范围
        x = ((x / self.scale) + 1) / 2.

        diff_boxes = box_cxcywh_to_xyxy(x)

        return diff_boxes, noise, t

最后再来看看推理阶段的self.ddim_sample函数:文章来源地址https://www.toymoban.com/news/detail-401181.html

@torch.no_grad()
    def ddim_sample(self, batched_inputs, backbone_feats, images_whwh, images, clip_denoised=True, do_postprocess=True):
        batch = images_whwh.shape[0]
        shape = (batch, self.num_proposals, 4)
        total_timesteps, sampling_timesteps, eta, objective = self.num_timesteps, self.sampling_timesteps, self.ddim_sampling_eta, self.objective

        # [-1, 0, 1, 2, ..., T-1] when sampling_timesteps == total_timesteps
        times = torch.linspace(-1, total_timesteps - 1, steps=sampling_timesteps + 1)  
        times = list(reversed(times.int().tolist()))  # 时间为倒序 从T到0
        time_pairs = list(zip(times[:-1], times[1:]))  # [(T-1, T-2), (T-2, T-3), ..., (1, 0), (0, -1)]

        img = torch.randn(shape, device=self.device)  # 产生标准高斯分布bboxs

        ensemble_score, ensemble_label, ensemble_coord = [], [], []
        x_start = None
        for time, time_next in time_pairs:  # 相邻时间两步计算
            time_cond = torch.full((batch,), time, device=self.device, dtype=torch.long)
            self_cond = x_start if self.self_condition else None  

            # 预测的噪声、x_0和类别与坐标
            preds, outputs_class, outputs_coord = self.model_predictions(backbone_feats, images_whwh, img, time_cond,
                                                                         self_cond, clip_x_start=clip_denoised)
            pred_noise, x_start = preds.pred_noise, preds.pred_x_start  # 获取预测的噪声\epsilon_t 与 预测的初始状态x_0

            if self.box_renewal:  # filter  Box reneral机制 将置信度低的边界框用随机框替换
                score_per_image, box_per_image = outputs_class[-1][0], outputs_coord[-1][0]
                threshold = 0.5
                score_per_image = torch.sigmoid(score_per_image)
                value, _ = torch.max(score_per_image, -1, keepdim=False)
                keep_idx = value > threshold
                num_remain = torch.sum(keep_idx)

                pred_noise = pred_noise[:, keep_idx, :]
                x_start = x_start[:, keep_idx, :]
                img = img[:, keep_idx, :]
            if time_next < 0:
                img = x_start
                continue
            
            # 获取\alpha_i的连乘值
            alpha = self.alphas_cumprod[time]
            alpha_next = self.alphas_cumprod[time_next]

            sigma = eta * ((1 - alpha / alpha_next) * (1 - alpha_next) / (1 - alpha)).sqrt()
            c = (1 - alpha_next - sigma ** 2).sqrt()

            noise = torch.randn_like(img)  # 标准高斯分布中采样

            # 公式: x_{t-1} = \sqrt{\bar{\alpha}_{t-1}} * x_0 + 
            # \sqrt(1 - \bar{\alpha}_{t-1}} - sigma^2} * \epsilon_t + 
            # \sigma * \epsilon
            img = x_start * alpha_next.sqrt() + \
                  c * pred_noise + \
                  sigma * noise  # 通过预测的噪声 计算恢复结果

            if self.box_renewal:  # filter
                # replenish with randn boxes
                img = torch.cat((img, torch.randn(1, self.num_proposals - num_remain, 4, device=img.device)), dim=1)
            if self.use_ensemble and self.sampling_timesteps > 1:
                box_pred_per_image, scores_per_image, labels_per_image = self.inference(outputs_class[-1],
                                                                                        outputs_coord[-1],
                                                                                        images.image_sizes)
                ensemble_score.append(scores_per_image)
                ensemble_label.append(labels_per_image)
                ensemble_coord.append(box_pred_per_image)

        if self.use_ensemble and self.sampling_timesteps > 1:
            box_pred_per_image = torch.cat(ensemble_coord, dim=0)
            scores_per_image = torch.cat(ensemble_score, dim=0)
            labels_per_image = torch.cat(ensemble_label, dim=0)
            if self.use_nms:
                keep = batched_nms(box_pred_per_image, scores_per_image, labels_per_image, 0.5)
                box_pred_per_image = box_pred_per_image[keep]
                scores_per_image = scores_per_image[keep]
                labels_per_image = labels_per_image[keep]

            result = Instances(images.image_sizes[0])
            result.pred_boxes = Boxes(box_pred_per_image)
            result.scores = scores_per_image
            result.pred_classes = labels_per_image
            results = [result]
        else:
            output = {'pred_logits': outputs_class[-1], 'pred_boxes': outputs_coord[-1]}
            box_cls = output["pred_logits"]
            box_pred = output["pred_boxes"]
            results = self.inference(box_cls, box_pred, images.image_sizes)
        if do_postprocess:  # 后处理
            processed_results = []
            for results_per_image, input_per_image, image_size in zip(results, batched_inputs, images.image_sizes):
                height = input_per_image.get("height", image_size[0])
                width = input_per_image.get("width", image_size[1])
                r = detector_postprocess(results_per_image, height, width)
                processed_results.append({"instances": r})
            return processed_results

到了这里，关于[论文阅读笔记18] DiffusionDet论文笔记与代码解读的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！