生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen

这篇具有很好参考价值的文章主要介绍了生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen。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。

前言

如果你对这篇文章感兴趣,可以点击「【访客必读 - 指引页】一文囊括主页内所有高质量博客」,查看完整博客分类与对应链接。


框架

这些生成式 AI 的整体功能为:输入「文字」,返回「图像」,即 Text-to-image Generator:

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen
生成器的内部框架如下所示:

  • 第一部分:Text Encoder,输出 Text,返回对应的 Embedding(向量);
  • 第二部分:Generation Model,输入为 Text 的 Embedding 与一个随机生成的 Embedding(用于后续的 Diffusion 过程),返回中间产物(可以是图片的压缩版本,也可以是 Latent Representation);
  • 第三部分:Decoder,输入为图片的压缩版本,返回最终的图片。
    生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen

三个模块通常是分开训练,再组合起来,得到 Text-to-image Generator。

上述框架为通用框架,即均包含上述三个模块,例如 Stable Diffusion:
生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen
DALL-E series:
生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen
Imagen:
生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen


文字 Encoder

GPT、Bert 均可当作文字 Encoder,其对最终结果的影响非常大。如下图所示(来自 Imagen 论文实验图):

  • 图(a):曲线越接近框内右下角越好,Encoder 越大效果越好,即 Encoder 见过的数据量越多;
  • 图(b):Generation Model 的大小对结果影响不大。

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen

FID (Fréchet Inception Distance)

上述结果中的 FID 用于衡量生成图片的好坏,即利用一个 CNN 网络 (Inception Network),得到一系列原始图像 (x) 与其对应生成图像 (g) 的特征表示,并假设该特征表示服从高斯分布,因此可以得到原始图像的高斯分布 N ( μ x , Σ x ) \mathcal{N}(\mu_x,\Sigma_x) N(μx,Σx) 与生成图像的高斯分布 N ( μ g , Σ g ) \mathcal{N}(\mu_g,\Sigma_g) N(μg,Σg),并将两个分布之间的 Fréchet distance 作为最终的 FID 结果(越小越好),即:
FID ( x , g ) = ∥ μ x − μ g ∥ 2 2 + Tr ⁡ ( Σ x + Σ g − 2 ( Σ x Σ g ) 1 2 ) . \text{FID}(x,g)=\|\mu_x-\mu_g\|_2^2 + \operatorname{Tr}\left(\Sigma_x+\Sigma_g-2\left(\Sigma_x \Sigma_g\right)^{\frac{1}{2}}\right). FID(x,g)=μxμg22+Tr(Σx+Σg2(ΣxΣg)21).

上述的 FID-10K 表示采样 10K 张图片后,计算 FID,因此 FID 的计算需要大量图片。

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen

CLIP (Contrastive Language-Image Pre-Training)

CLIP 是一个使用了 400 million image-text paris 训练得到的模型,该模型可以用于给 (Text, Generated Image) 打分,即将 Text, Image 分别丢进 Text Encoder 和 Image Encoder 中,其产生的 Embedding 越相近,CLIP Score 越高。

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen


Decoder

Generation Model 的训练需要 (Text, Image) 成对的数据,但 Decoder 的训练不需要文字资料,因此可供其训练的数据是更多的。

如果 Decoder 的输入是图片的压缩版本,即小图(例如 Imagen),则其训练过程为:将任意一张图片降采样得到一张小图,随后使用(小图,原图)的 pair 进行训练,如下所示:

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen
如果 Decoder 的输入 Latent Representation(例如 Stable Diffusion 与 DALL-E),则训练过程为:训练一个 Auto-encoder,并将其中的 Decoder 作为框架中的模块。

Auto-encoder 的训练过程也非常直接,其 Encoder 负责得到图片的 Latent Representation,Decoder 负责根据 Latent Representation 生成对应图片,训练目标是原始图片与生成的图片越接近越好。

通常来说原图尺寸为 (H, W, 3),Latent Representation 的大小为 (h, w, c),其中 h 与 w 分别小于 H 和 W。

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen


Generation Model

在 Diffusion Model 中,我们不断地在图片上加噪音,得到一张随机图后,再逐步地去噪,最终训练出去噪的模型,如下所示:

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen

而在 Generation Model 中,噪声不是加在图片上,而是加在中间产物上,即 Decoder 的输入 Latent Representation 上,如下所示:

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen

随后训练一个 Noise Predictor,输入为「第 x 步 + 第 x 步对应的加噪结果 + Text Embedding」,输出为第 x 步所加的噪声。

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen
最后在生成图片时,输入为「Text Embedding + 随机高斯噪声」,每次识别出具体的噪声,再一步一步执行去噪,即可得到最终的 Latent Representation,再输入至 Decoder 即可。

生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen
此处需要注意,去噪的过程是「随机高斯噪音」逐步变成「最终 Latent Representation」的过程,该过程中的每一步的 Embedding,丢进 Decoder 均可得到图片,对应于图片生成时,图片逐步变清晰的过程。文章来源地址https://www.toymoban.com/news/detail-482655.html


参考资料

  • Hung-yi Lee - 生成式 AI
  • Stable Diffusion: High-Resolution Image Synthesis with Latent Diffusion Models
  • DALL-E series: Zero-Shot Text-to-Image Generation
  • DALL-E series: Hierarchical Text-Conditional Image Generation with CLIP Latents
  • Imagen: website
  • Imagen: Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding

到了这里,关于生成式 AI 背后的共同框架:Stable Diffusion、DALL-E、Imagen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

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