Diffusion Model 深入剖析

这篇具有很好参考价值的文章主要介绍了Diffusion Model 深入剖析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

Diffusion Model 深入剖析

最近AI生成艺术领域非常火热,从 Midjourney 到 Stable Diffusion,不管你是绘画高手还是艺术小白,只要输入想要绘制内容的描述或者基础图像,就可以生成富有艺术感的画作! 这些风格各异、以假乱真的AI生成图像背后,离不开 Diffusion Model 。之前文章《Stable Diffusion原理详解》中我对 Diffusion Model 做了简要的介绍,本文将深入到 Diffusion Model 内部,深入剖析 Diffusion Model 的工作原理以及它是如何生成图像的。

Diffusion Model 深入剖析

概述

Diffusion Model 深入剖析

图1. 扩散模型原理概要

Diffusion Model的训练可以分为两部分:

  1. 正向扩散过程 → 为图像添加噪声。
  2. 反向扩散过程 → 去除图像中的噪声。

正向扩散过程

Diffusion Model 深入剖析

图2. 正向扩散过程

正向扩散过程向输入图像 x 0 x_0 x0 逐步加入高斯噪声,一共 T T T 步。该过程将产生一系列噪声图像样本 x 1 , … , x T x_1, \dots , x_T x1,,xT

T → ∞ T \to \infin T 时,最终的结果将变成一张完全噪声图像,就好像它是从各向同性高斯分布中采样的一样。

但是我们可以使用一个闭合公式在特定的时间步长 t t t 直接对有噪声的图像进行采样,而不是设计一种算法来迭代地向图像添加噪声。

正向扩散可以用如下公式描述:
q ( x t ∣ x t − 1 ) = N ( x t ; 1 − β t x t − 1 , β t I ) (1) q(x_t | x_{t-1}) = \mathcal{N}(x_t; \sqrt {1-\beta_t}x_{t-1}, \beta_tI) \tag{1} q(xtxt1)=N(xt;1βt xt1,βtI)(1)
其中 t t t 是时间帧(从 0 到 T T T), x t x_t xt 是从真实数据分布 q ( x ) q(x) q(x) 中采样的数据样本(例如 x 0 ∼ q ( x ) x_0 \sim q(x) x0q(x)), β t \beta_t βt 是 variance schedule, 0 ≤ β t ≤ 1 0 \le \beta_t \le 1 0βt1,且 β 0 \beta_0 β0 较小, β T \beta_T βT 较大。 I I I 是单位矩阵。

公式推导

可以使用重参数化技巧(Reparameterization Trick)推导出闭合公式。

如果 z ∼ N ( μ , σ 2 ) z \sim \mathcal{N}(\mu, \sigma^2) zN(μ,σ2) ,那么 z z z 可以写成 z = μ + σ ε z = \mu + \sigma\varepsilon z=μ+σε 的形式,其中 ε ∼ N ( 0 , 1 ) \varepsilon \sim \mathcal{N}(0, 1) εN(0,1)。这就是 重参数化技巧

利用这个技巧,我们可以将采样图像 x t x_t xt 表示为如下形式:
x t = 1 − β t x t − 1 + β t ε t − 1 (2) x_t = \sqrt{1-\beta_t}x_{t-1}+\sqrt{\beta_t}\varepsilon_{t-1} \tag{2} xt=1βt xt1+βt εt1(2)
这样我们就可以递归地展开它得到闭式公式:
x t = 1 − β t x t − 1 + β t ε t − 1 … … ε ∼ N ( 0 , I ) = α t   x t − 1 + 1 − α t ε t − 1 … … 设 α t = 1 − β t = α t   ( α t − 1 x t − 2 + 1 − α t − 1 ε t − 2 ) + 1 − α t ε t − 1 … … 递 归 展 开 x t − 1 = α t α t − 1 x t − 2 +   α t ( 1 − α t − 1 ) ε t − 2 + 1 − α t ε t − 1 … … 乘 法 分 配 律 乘 开 = α t α t − 1 x t − 2 +   1 − α t α t − 1 ε ˉ t − 2 … … 怎 么 突 然 得 到 这 个 结 果 ? ⋮ = α t α t − 1 … α 1 x 0 + 1 − α t α t − 1 … α 1 ε = α t ˉ x 0 + 1 − α ˉ t ε … … α t ˉ = ∏ i = 1 t α i \begin{aligned} x_t &= \sqrt{1-\beta_t}x_{t-1}+\sqrt{\beta_t}\varepsilon_{t-1}&\dots\dots \varepsilon \sim \mathcal{N}(0, I)\\ &=\sqrt{\alpha_t}\:\fcolorbox{red}{white}{$x_{t-1}$}+\sqrt{1-\alpha_t}\varepsilon_{t-1}&\dots\dots 设\alpha_t = 1-\beta_t\\ &=\sqrt{\alpha_t}\:\fcolorbox{red}{white}{$\Big(\sqrt{\alpha_{t-1}}x_{t-2}+\sqrt{1-\alpha_{t-1}}\varepsilon_{t-2}\Big)$}+\sqrt{1-\alpha_t}\varepsilon_{t-1}&\dots\dots 递归展开x_{t-1}\\ &=\sqrt{\alpha_t\alpha_{t-1}}x_{t-2}+\:\fcolorbox{red}{white}{$\sqrt{\alpha_t(1-\alpha_{t-1})}\varepsilon_{t-2}+\sqrt{1-\alpha_t}\varepsilon_{t-1}$}&\dots\dots 乘法分配律乘开\\ &=\sqrt{\alpha_t\alpha_{t-1}}x_{t-2}+\:\fcolorbox{red}{white}{$\sqrt{1-\alpha_t\alpha_{t-1}}\bar{\varepsilon}_{t-2}$}&\dots\dots \textcolor{red}{怎么突然得到这个结果?}\\ &\quad\vdots\\ &=\sqrt{\alpha_t\alpha_{t-1}\dots\alpha_1}x_0 + \sqrt{1-\alpha_t\alpha_{t-1}\dots\alpha_1}\varepsilon\\ &=\sqrt{\bar{\alpha_t}}x_0+\sqrt{1-\bar{\alpha}_t}\varepsilon&\dots\dots \bar{\alpha_t}=\prod_{i=1}^t\alpha_i \end{aligned} xt=1βt xt1+βt εt1=αt xt1+1αt εt1=αt (αt1 xt2+1αt1 εt2)+1αt εt1=αtαt1 xt2+αt(1αt1) εt2+1αt εt1=αtαt1 xt2+1αtαt1 εˉt2=αtαt1α1 x0+1αtαt1α1 ε=αtˉ x0+1αˉt εεN(0,I)αt=1βtxt1αtˉ=i=1tαi

注意:所有 ε \varepsilon ε 都是独立同分布的标准正态随机变量。

这里使用不同的符号和下标区分它们很重要,因为它们是独立的并且它们的值在采样后可能不同。

上面的公式推导最难理解的是第4行到第5行,很多人卡在这一步止步不前,下面我将给出详细的推导步骤并解释它是如何工作的:

我们设:
α t ( 1 − α t − 1 ) ε t − 2 = X 1 − α t ε t − 1 = Y \begin{aligned} \sqrt{\alpha_t(1-\alpha_{t-1})}\varepsilon_{t-2} &= X\\ \sqrt{1-\alpha_t}\varepsilon_{t-1} &= Y \end{aligned} αt(1αt1) εt21αt εt1=X=Y

x t = α t α t − 1 x t − 2 + α t ( 1 − α t − 1 ) ε t − 2 ⏟ X + 1 − α t ε t − 1 ⏟ Y x_t=\sqrt{\alpha_t\alpha_{t-1}}x_{t-2}+\underbrace{\sqrt{\alpha_t(1-\alpha_{t-1})}\varepsilon_{t-2}}_X+\underbrace{\sqrt{1-\alpha_t}\varepsilon_{t-1}}_Y xt=αtαt1 xt2+X αt(1αt1) εt2+Y 1αt εt1
应用从重参数化技巧
0 + α t ( 1 − α t − 1 ) ε t − 2    ⟹    X ∼ N ( 0 , α t ( 1 − α t − 1 ) I ) 0 + 1 − α t ε t − 1    ⟹    Y ∼ N ( 0 , ( 1 − α t ) I ) \begin{aligned} 0 + \sqrt{\alpha_t(1-\alpha_{t-1})}\varepsilon_{t-2} &\implies X \sim \mathcal{N}(0, \alpha_t(1-\alpha_{t-1})I)\\ 0 + \sqrt{1-\alpha_t}\varepsilon_{t-1} &\implies Y \sim \mathcal{N}(0, (1-\alpha_{t})I) \end{aligned} 0+αt(1αt1) εt20+1αt εt1XN(0,αt(1αt1)I)YN(0,(1αt)I)
Z = X + Y Z = X + Y Z=X+Y ,我们知道,如果 X ∼ N ( μ X , σ X 2 ) , Y ∼ N ( μ Y , σ Y 2 ) X \sim \mathcal{N}(\mu_X, \sigma_X^2), \quad Y \sim \mathcal{N}(\mu_Y, \sigma_Y^2) XN(μX,σX2),YN(μY,σY2),则 Z ∼ N ( μ X + μ Y , σ X 2 + σ Y 2 ) Z \sim \mathcal{N}(\mu_X+\mu_Y, \sigma_X^2+\sigma_Y^2) ZN(μX+μY,σX2+σY2)

代入 X X X Y Y Y 的实际数值可得
μ X = 0 μ Y = 0 σ X 2 + σ Y 2 = α t ( 1 − α t − 1 ) + ( 1 − α t ) = α t − α t α t − 1 + 1 − α t = 1 − α t α t − 1 \begin{aligned} \mu_X &= 0 \qquad \mu_Y = 0\\ \\ \sigma_X^2+\sigma_Y^2 &= \alpha_t(1-\alpha_{t-1}) + (1-\alpha_{t})\\ &=\cancel{\alpha_t}-\alpha_t\alpha_{t-1}+1-\cancel{\alpha_{t}}\\ &=1-\alpha_t\alpha_{t-1} \end{aligned} μXσX2+σY2=0μY=0=αt(1αt1)+(1αt)=αt αtαt1+1αt =1αtαt1
所以 Z ∼ N ( 0 , ( 1 − α t α t − 1 ) I ) Z \sim \mathcal{N}(0, (1-\alpha_t\alpha_{t-1})I) ZN(0,(1αtαt1)I),应用重参数化技巧即可得到:
X + Y = Z ∼ N ( 0 , ( 1 − α t α t − 1 ) I ) = 0 + 1 − α t α t − 1   ε ˉ t − 2 = 1 − α t α t − 1   ε ˉ t − 2 X+Y = Z \sim \mathcal{N}(0, (1-\alpha_t\alpha_{t-1})I)=0+\sqrt{1-\alpha_t\alpha_{t-1}}\:\bar\varepsilon_{t-2}=\sqrt{1-\alpha_t\alpha_{t-1}}\:\bar\varepsilon_{t-2} X+Y=ZN(0,(1αtαt1)I)=0+1αtαt1 εˉt2=1αtαt1 εˉt2
这就得到了第五行的结果。

重复以上步骤,最终我们将得到一个仅取决于输入图像 x 0 x_0 x0 的公式:
x t = α t ˉ x 0 + 1 − α ˉ t ε (3) x_t=\sqrt{\bar{\alpha_t}}x_0+\sqrt{1-\bar{\alpha}_t}\varepsilon \tag{3} xt=αtˉ x0+1αˉt ε(3)
这样我们就可以使用公式(3)在任何时间帧 t t t 直接对 x t x_t xt 进行采样,这极大提高了正向扩散过程的执行效率。

逆向扩散过程

Diffusion Model 深入剖析

图3. 逆向扩散过程

逆向扩散过程可以用下面的公式描述:
q ( x t − 1 ∣ x t ) = N ( x t − 1 ; μ ~ t ( x t , x 0 ) , β ~ t I ) q(x_{t-1}|x_{t}) = \mathcal{N}(x_{t-1};\tilde\mu_t(x_t, x_0),\tilde\beta_tI) q(xt1xt)=N(xt1;μ~t(xt,x0),β~tI)
与正向过程不同,我们不能使用 q ( x t − 1 ∣ x t ) q(x_{t-1}|x_t) q(xt1xt) 来逆转噪声,因为它很难处理(无法计算)。

因此,我们需要训练神经网络 p θ ( x t − 1 ∣ x t ) p_\theta(x_{t-1}|x_t) pθ(xt1xt) 来近似 q ( x t − 1 ∣ x t ) q(x_{t-1}|x_t) q(xt1xt)
p θ ( x t − 1 ∣ x t ) = N ( x t − 1 ; μ θ ( x t , t ) , ∑ θ ( x t , t ) ) p_\theta(x_{t-1}|x_{t}) = \mathcal{N}(x_{t-1};\mu_\theta(x_t, t),\sum_\theta (x_t, t)) pθ(xt1xt)=N(xt1;μθ(xt,t),θ(xt,t))
近似值 $p_\theta
(x|xₜ) $服从正态分布,其均值和方差需要满足:
{ μ θ ( x t , t ) : = μ ~ t ( x t , x 0 ) ∑ θ ( x t , t ) : = β ~ t I \begin{cases} \mu_\theta(x_t, t) &:= \tilde\mu_t(x_t, x_0)\\ \sum_\theta(x_t, t) &:= \tilde\beta_tI \end{cases} {μθ(xt,t)θ(xt,t):=μ~t(xt,x0):=β~tI

损失函数

我们可以将损失定义为负对数似然
Loss = − log ⁡ ( p θ ( x 0 ) ) \text{Loss} = -\log(p_\theta(x_0)) Loss=log(pθ(x0))
其中 p θ ( x 0 ) p_\theta(x_0) pθ(x0) 依赖于 x 1 , x 2 , … , x T x_1, x_2, \dots, x_T x1,x2,,xT ,因此处理起来很棘手。

不难发现,这里的设置与变分下界中的设置非常相似。因此我们可以绕开棘手的损失函数本身,转而优化变分下界。通过优化可计算下界,我们可以间接优化棘手的损失函数。

Diffusion Model 深入剖析

下面是变分下界的推导和展开:
− log ⁡ p θ ( x 0 ) ≤ − log ⁡ p θ ( x 0 ) + D K L ( q ( x 1 : T   ∣   x 0 )   ∣ ∣   p θ ( x 1 : T   ∣   x 0 ) ) ⋮ − log ⁡ p θ ( x 0 ) ≤ E q [ log ⁡ q ( x 1 : T ∣ x 0 ) p θ ( x 0 : T ) ] ⋮ − log ⁡ p θ ( x 0 ) ≤ E q [ D K L ( q ( x T ∣ x 0 ) ∣ ∣ p θ ( x T ) ) ⏟ L T + ∑ t = 2 T D K L ( q ( x t − 1 ∣ x t , x 0 ) ∣ ∣ p θ ( x t − 1 ∣ x t ) ) ⏟ L t − 1 − log ⁡ p θ ( x 0 ∣ x 1 ) ⏟ L 0 ] \begin{aligned} -\log p_\theta(x_0) &\le -\log p_\theta(x_0) + D_{KL}\big(q(x_{1:T}\:|\:x_0)\:||\:p_\theta(x_{1:T}\:|\:x_0)\big)\\ \vdots\\ -\log p_\theta(x_0) &\le \mathbb{E}_q\Big[\log \frac{q(x_{1:T}|x_0)}{p_\theta(x_{0:T})}\Big]\\ \vdots\\ -\log p_\theta(x_0) &\le \mathbb{E}_q\Big[\underbrace{D_{KL}(q(x_T|x_0)||p_\theta(x_T))}_{L_T} + \sum_{t=2}^T \underbrace{D_{KL}(q(x_{t-1}|x_t,x_0)||p_\theta(x_{t-1}|x_t))}_{L_{t-1}} \underbrace{-\log p_\theta(x_0|x_1)}_{L_0}\Big] \end{aligned} logpθ(x0)logpθ(x0)logpθ(x0)logpθ(x0)+DKL(q(x1:Tx0)pθ(x1:Tx0))Eq[logpθ(x0:T)q(x1:Tx0)]Eq[LT DKL(q(xTx0)pθ(xT))+t=2TLt1 DKL(q(xt1xt,x0)pθ(xt1xt))L0 logpθ(x0x1)]
其中 E q [ log ⁡ q ( x 1 : T ∣ x 0 ) p θ ( x 0 : T ) ] \mathbb{E}_q\Big[\log \frac{q(x_{1:T}|x_0)}{p_\theta(x_{0:T})}\Big] Eq[logpθ(x0:T)q(x1:Tx0)] 就是变分下界;展开后的公式由3部分构成,我将其分别命名为 L T , L t − 1 , L 0 L_T, L_{t-1}, L_0 LT,Lt1,L0。下面重点解释一下这3部分。

L T L_T LT : 常数项

L T = D K L ( q ( x T ∣ x 0 ) ∣ ∣ p θ ( x T ) ) L_T = D_{KL}(q(x_T|x_0)||p_\theta(x_T)) LT=DKL(q(xTx0)pθ(xT))

由于 q ( x T ∣ x 0 ) q(x_T|x_0) q(xTx0) 没有可学习的参数, p θ ( x T ) p_\theta(x_T) pθ(xT) 只是一个高斯噪声概率,因此这一项在训练期间是一个常数,可以忽略。

L t − 1 L_{t-1} Lt1 : 逐步去噪项

L t − 1 = D K L ( q ( x t − 1 ∣ x t , x 0 ) ∣ ∣ p θ ( x t − 1 ∣ x t ) ) L_{t-1} = D_{KL}(q(x_{t-1}|x_t,x_0)||p_\theta(x_{t-1}|x_t)) Lt1=DKL(q(xt1xt,x0)pθ(xt1xt))

这一项对目标去噪步骤 q q q 和近似去噪步骤 p θ p_\theta pθ 进行比较。这里通过以 x 0 x_0 x0 为条件,让 q ( x t − 1 ∣ x t , x 0 ) q(x_{t-1}|x_t, x_0) q(xt1xt,x0) 变得易于处理。我们分别来看 q q q p θ p_\theta pθ
q ( x t − 1 ∣ x t , x 0 ) = N ( x t − 1 ; μ ~ ( x t , x 0 ) , β ~ t I ) β ~ t = 1 − α ˉ t − 1 1 − α ˉ t ⋅ β t μ ~ ( x t , x 0 ) = α t ( 1 − α ˉ t − 1 ) 1 − α ˉ t x t + α ˉ t − 1 β t 1 − α ˉ t x 0 ⋮ μ ~ ( x t ) = 1 α t ( x t − 1 − α t 1 − α ˉ t ε t ) q(x_{t-1}|x_t,x_0) = \mathcal{N}(x_{t-1};\tilde\mu(x_t, x_0), \tilde\beta_tI)\\ \tilde\beta_t = \frac{1-\bar\alpha_{t-1}}{1-\bar\alpha_t} \sdot \beta_t\\ \tilde\mu(x_t, x_0) = \frac{\sqrt{\alpha_t}(1-\bar\alpha_{t-1})}{1-\bar\alpha_t}x_t + \frac{\sqrt{\bar\alpha_{t-1}}\beta_t}{1-\bar\alpha_t}x_0\\ \vdots \\ \tilde\mu(x_t) = \frac{1}{\sqrt{\alpha_t}}\Big(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}}\varepsilon_t\Big) q(xt1xt,x0)=N(xt1;μ~(xt,x0),β~tI)β~t=1αˉt1αˉt1βtμ~(xt,x0)=1αˉtαt (1αˉt1)xt+1αˉtαˉt1 βtx0μ~(xt)=αt 1(xt1αˉt 1αtεt)
经过一系列的推导, q ( x t − 1 ∣ x t , x 0 ) q(x_{t-1}|x_t,x_0) q(xt1xt,x0) 的均值 μ ~ t \tilde\mu_t μ~t 如上所示。其中 x 0 = 1 α ˉ t ( x t − 1 − α ˉ t ε t ) x_0 = \frac{1}{\sqrt{\bar\alpha_t}}\Big(x_t-\sqrt{1-\bar\alpha_t}\varepsilon_t\Big) x0=αˉt 1(xt1αˉt εt)

为了逼近目标去噪步骤 q q q,我们只需要使用神经网络来逼近其均值。因此,我们将近似均值 μ θ \mu_\theta μθ 设置为与目标均值 μ ~ t \tilde{\mu}_t μ~t 相同的形式(使用可学习的神经网络 ε θ \varepsilon_\theta εθ):
μ ~ ( x t ) = 1 α t ( x t − 1 − α t 1 − α ˉ t ε t ) μ θ ( x t , t ) = 1 α t ( x t − 1 − α t 1 − α ˉ t ε θ ( x t , t ) ) \begin{aligned} \tilde\mu(x_t) &= \frac{1}{\sqrt{\alpha_t}}\Big(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}}\boxed{\varepsilon_t}\Big)\\ \mu_\theta(x_t,t) &= \frac{1}{\sqrt{\alpha_t}}\Big(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}}\boxed{\varepsilon_\theta(x_t,t)}\Big) \end{aligned} μ~(xt)μθ(xt,t)=αt 1(xt1αˉt 1αtεt)=αt 1(xt1αˉt 1αtεθ(xt,t))
目标均值和近似均值之间的比较可以使用均方误差 (MSE) 来完成:
L t = E x 0 , ε [ 1 2 σ t 2 ∣ ∣ μ ~ t ( x t ) − μ θ ( x t , t ) ∣ ∣ 2 ] = E x 0 , ε [ 1 2 σ t 2 ∣ ∣ 1 α t ( x t − 1 − α t 1 − α ˉ t ε t ) − 1 α t ( x t − 1 − α t 1 − α ˉ t ε θ ( x t , t ) ) ∣ ∣ 2 ] = E x 0 , ε [ ( 1 − α t ) 2 2 α t ( 1 − α ˉ t ) σ t 2 ∣ ∣ ε t − ε θ ( x t , t ) ∣ ∣ 2 ] \begin{aligned} L_t &= \mathbb{E}_{x_0,\varepsilon}\Big[\frac{1}{2\sigma_t^2} ||\tilde{\mu}_t(x_t)-\mu_\theta(x_t, t)||^2 \Big]\\ &= \mathbb{E}_{x_0,\varepsilon}\Big[\frac{1}{2\sigma_t^2} ||\frac{1}{\sqrt{\alpha_t}}\big(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}}\varepsilon_t\big) - \frac{1}{\sqrt{\alpha_t}}\big(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}}\varepsilon_\theta(x_t,t)\big)||^2 \Big]\\ &= \mathbb{E}_{x_0,\varepsilon}\Big[\frac{(1-\alpha_t)^2}{2\alpha_t(1-\bar\alpha_t)\sigma_t^2}||\varepsilon_t-\varepsilon_\theta(x_t,t)||^2\Big] \end{aligned} Lt=Ex0,ε[2σt21μ~t(xt)μθ(xt,t)2]=Ex0,ε[2σt21αt 1(xt1αˉt 1αtεt)αt 1(xt1αˉt 1αtεθ(xt,t))2]=Ex0,ε[2αt(1αˉt)σt2(1αt)2εtεθ(xt,t)2]
上面公式中 ( 1 − α t ) 2 2 α t ( 1 − α ˉ t ) σ t 2 \frac{(1-\alpha_t)^2}{2\alpha_t(1-\bar\alpha_t)\sigma_t^2} 2αt(1αˉt)σt2(1αt)2 是个常数,可以忽略掉,因此简化后的逐步去噪损失为:
L t simple = E t ∼ [ 1 , T ] , x 0 , ε t [ ∣ ∣ ε t − ε θ ( x t , t ) ∣ ∣ 2 ] L_t^{\text{simple}} = \mathbb{E}_{t \sim [1,T],x_0,\varepsilon_t}\Big[||\varepsilon_t-\varepsilon_\theta(x_t,t)||^2\Big] Ltsimple=Et[1,T],x0,εt[εtεθ(xt,t)2]
实践中,通过忽略加权项并简单地将目标噪声和预测噪声与 MSE 进行比较,可以获得更好的结果。

因此,事实证明,为了逼近所需的去噪步骤 q q q ,我们只需要使用神经网络 ε θ \varepsilon_\theta εθ 来逼近噪声 ε t \varepsilon_t εt

L 0 L_0 L0 : 重构项

这是最后一步去噪的重构损失,在训练过程中可以忽略,原因如下:

  • 可以使用 L t − 1 L_{t-1} Lt1 中的相同神经网络对其进行近似。
  • 忽略它会使样本质量更好,且更易于实施。

简化损失函数

上面分别解释了 L T , L t − 1 , L 0 L_T, L_{t-1}, L_0 LT,Lt1,L0 。我们可以发现 L T L_T LT L 0 L_0 L0 都可以忽略,那么我们的损失函数就可以简化为:
L simple = E t , x 0 , ε [ ∣ ∣ ε t − ε θ ( x t , t ) ∣ ∣ 2 ] x t = α t ˉ x 0 + 1 − α ˉ t ε L_{\text{simple}} = \mathbb{E}_{t,x_0,\varepsilon}\Big[||\varepsilon_t-\varepsilon_\theta(x_t,t)||^2\Big]\\ x_t=\sqrt{\bar{\alpha_t}}x_0+\sqrt{1-\bar{\alpha}_t}\varepsilon Lsimple=Et,x0,ε[εtεθ(xt,t)2]xt=αtˉ x0+1αˉt ε

U-Net 模型

数据集

在每轮迭代:

  • 为每个训练样本(图像)选择一个随机时间步长 t t t
  • 将高斯噪声(对应于 t t t)应用于每个图像。
  • 将时间步长转换为嵌入(向量)。

Diffusion Model 深入剖析

训练

官方给出的训练算法如下:

Diffusion Model 深入剖析

下面详细解释一下训练步骤是如何工作的:

Diffusion Model 深入剖析

逆向扩散

Diffusion Model 深入剖析

我们可以使用上述算法从噪声中生成图像。 下图是具体说明:

Diffusion Model 深入剖析

注意,在最后一步中,我们只是简单地输出学习到的均值 μ θ ( x 1 , 1 ) \mu_\theta(x_1, 1) μθ(x1,1),而不向其添加噪声。

总结

最后对本文的要点做一个总结:文章来源地址https://www.toymoban.com/news/detail-465673.html

  • 扩散模型分为正向扩散和逆向扩散两部分。
  • 正向扩散可以使用闭合的公式来完成。
  • 可以使用经过训练的神经网络完成逆向扩散。
  • 为了逼近去噪步骤 q q q,我们只需要使用神经网络 ε θ \varepsilon_\theta εθ 来近似噪声 ε t \varepsilon_t εt
  • 对简化损失函数的训练产生更好的样本质量。

到了这里,关于Diffusion Model 深入剖析的文章就介绍完了。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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Diffusion Model原理详解

    Diffusion Model(扩散模型 )对标的是生成对抗网络(GAN),只要GAN能干的事它基本都能干。之前用GAN网络来实现一些图片生成任务其实效果并不是很理想,而且往往训练很不稳定。但是换成Diffusion Model后生成的图片则非常逼真,也明显感觉到每一轮训练的结果相比之前都更加优

    2024年02月16日
    浏览(31)
  • 一文弄懂 Diffusion Model

    Diffusion Model 首先定义了一个前向扩散过程,总共包含 T 个时间步,如下图所示: 最左边的蓝色圆圈  x0   表示真实自然图像,对应下方的狗子图片。 最右边的蓝色圆圈  xT   则表示纯高斯噪声,对应下方的噪声图片。 最中间的蓝色圆圈  xt   则表示加了噪声的  x0   ,对应

    2024年02月13日
    浏览(45)
  • 【深度学习】扩散模型(Diffusion Model)详解

    扩散模型有两个过程: 扩散过程:如上图所示,扩散过程为从右到左 X 0 → X T X_0 rightarrow X_T X 0 ​ → X T ​ 的过程,表示对图片逐渐加噪,且 X t + 1 X_{t+1} X t + 1 ​ 是在 X t X_{t} X t ​ 上加躁得到的,其只受 X t X_{t} X t ​ 的影响。 因此扩散过程是一个马尔科夫过程 。 X 0 X

    2024年01月19日
    浏览(54)
  • 扩散模型(Diffusion model)代码详细解读

    代码地址:denoising-diffusion-pytorch/denoising_diffusion_pytorch.py at main · lucidrains/denoising-diffusion-pytorch (github.com) 前向过程和后向过程的代码都在 GaussianDiffusion ​这个类中。​ 有问题可以一起讨论! Why self-conditioning? · Issue #94 · lucidrains/denoising-diffusion-pytorch (github.com) \\\"pred_x0\\\" preforms

    2024年01月25日
    浏览(50)
  • 深入剖析MyBatis缓存机制

    第1章:引言 大家好,我是小黑。今天我们要聊的是MyBatis的缓存机制。作为Java开发中经常使用的持久层框架,MyBatis以其灵活性和简便性而广受欢迎。但你知道吗,很多时候,正是因为这些特点,我们需要更深入地理解它的内部工作原理,尤其是缓存机制。这不仅能帮助我们

    2024年01月21日
    浏览(45)
  • JumpServer rce深入剖析

    JumpServer v2.6.2 JumpServer v2.5.4 JumpServer v2.4.5 JumpServer = v1.5.9 修改了一处代码: Git History 增加了一处鉴权 官方修复建议。关闭以下两个接口访问 /api/v1/authentication/connection-token /api/v1/users/connection-token/ 漏洞存在的位置在于“资产管理-资产列表-测试资产可连接性/更新硬件信息”功

    2024年02月07日
    浏览(43)
  • 深入剖析HTTP/3协议

    自 2017 年起,HTTP/3 协议已发布了 29 个 Draft,推出在即,Chrome、Nginx 等软件都在跟进实现最新的草案。那它带来了哪些变革呢?我们结合 HTTP/2 协议看一下。 2015 年,HTTP/2 协议正式推出后,已经有接近一半的互联网站点在使用它: HTTP/2 协议虽然大幅提升了 HTTP/1.1 的性能,然

    2024年02月20日
    浏览(37)
  • 深入剖析Linux——进程信号

    致前行的人:                 要努力,但不着急,繁花锦簇,硕果累累都需要过程! 目录 1.信号概念 1.1生活角度的信号 2. 技术应用角度的信号 3.Linux操作系统中查看信号 4.常用信号发送 4.1通过键盘发送信号 4.2调用系统函数发送信号 4.3硬件异常产生信号 4.4软件条件产生信

    2024年02月01日
    浏览(48)
  • 【CV】Latent diffusion model 扩散模型体验

    稳定扩散模型(Stable Diffusion Model)是一种用于描述信息传播和创新扩散的数学模型。它基于经典的扩散方程,但引入了长尾分布以捕捉现实中存在的大量异常事件。 在稳定扩散模型中,假设某个创新或信息被一个人采纳后,它会以一定的概率被其他人采纳,并通过社交网络

    2024年02月02日
    浏览(46)
  • Stable Diffusion Webui源码剖析

    (1)xformers:优化加速方案。它可以对模型进行适当的优化来加速图片生成并降低显存占用。缺点是输出图像不稳定,有可能比不开Xformers略差。 (2)GFPGAN:它是腾讯开源的人脸修复算法,利用预先训练号的面部GAN(如styleGAN2)中封装的丰富多样的先验因素进行盲脸(blind

    2024年02月13日
    浏览(23)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包