扩散生成模型和机器学习 常用扩散模型

随着最近DALLE2和stable diffusion的大火，扩散模型的出色表现丝毫不逊色VAE和GAN，已经形成生成领域的三大方向：VAE、GAN和Diffusion，如上图可以简要看出几类主线模型的区别。

本期文章将简要介绍下扩散模型的数学原理和几个代表性模型。

扩散模型

扩散模型受热力学启发，通过反转逐渐的噪声过程来学习生成数据。如上图所示，分为扩散过程（forward/diffusion process）和逆扩散过程（reverse process）。

• 扩散过程（$X_0-X_T$）：逐步对图像加噪声，这一逐步过程可以认为是参数化的马尔可夫过程。
• 逆扩散过程（$X_T-X_0$）：从噪声中反向推导，逐渐消除噪声以逆转生成图像。

训练完成后，就能通过随机采样高斯噪声来生成图像了。实际上扩散模型和AE、VAE很类似，一个粗略的发展过程可以认为是AE–VAE–VQVAE–Diffusion，而扩散模型也逐步从DDPM–GLIDE–DALLE2–Stable Diffusion。

先简要推导一下扩散模型的公式，再介绍相关文章：

• 扩散过程。在每个时间步内，$q(X_t ∣X_{t−1})$可以表示为，给定$X_{t-1}$，服从均值为$\sqrt{1−β_t} X_{t−1}$，方差为$β_t I$的正太分布，其中I是个单位矩阵。$q(X_t ∣X_{t−1})=N(X_t ; \sqrt{1−β_t} X_{t−1},β_t I)$每步的采样过程借鉴VAE的重参数技巧可以得到$X_t=\sqrt{\alpha_t}X_{t-1}+\sqrt{1-\alpha_t}Z_{t-1}$，从而很容易知道每步噪音都是马尔科夫的连乘结果，即$\alpha_t=\prod^{t}_{i=1} \alpha_i$，因此可以推导出，$q(X_t|X_0)=N(X_t;\sqrt{\alpha_t}X_0,(1-\alpha_t)I)$
• 逆扩散过程。如果我们知道$q(X_{t-1}|X_t)$，则可以完成逆生成。但这一分布未知，因此同样借鉴VAE，训练一个网络$p(X_{t-1}|X_t)$来近似。按照VAE的变分下界的训练思路，训练网络$p(X_{t-1}|X_t)$就是最小化p(X_t|X_{t+1})和$q(X_t|X_{t+1}X_0)$的KL散度。而$q(X_{t-1}|X_tX_0)$用$q(X_t|X_0)$和$q(X_t|X_{t-1})$来表示的，而这俩在上面的扩散过程中已经推导出，因此$q(X_{t-1}|X_tX_0)$是可知的。$q(X_{t-1}|X_tX_0)=\frac{q(X_0X_{t-1}X_t)}{q(X_0X_t)}=q(X_t|X_{t-1}X_0)* \frac{q(X_{t-1}|X_0)}{q(X_t|X_0)}$

变分下界过程推导可看博主以往整理过的VAE和CVAE的推导。更详细的推导本博文将不做赘述，推荐苏神的博客：https://spaces.ac.cn/ 。

为什么扩散模型能成功？
层次式VAE，这或许证明了即使Encoder微小、隐空间维度固定、马尔科夫跃迁，当推广到无限层时，模型仍然能够学习到强大能力。

然后直接来看看由DDPM–GLIDE–DALLE2–Stable Diffusion的发展论文。

---

Denoising Diffusion Probabilistic Models

首先是DDPM，它采用一个U-Net 结构的Autoencoder来对t时刻的噪声进行预测。直接看看它的code就能更好的理解扩散模型的整个训练过程了。

class GaussianDiffusion(nn.Module):
    def __init__(self,model,):
        super().__init__()
        self.model = model
        self.channels = self.model.channels
        self.self_condition = self.model.self_condition #条件控制
        self.image_size = image_size #图片size
        self.objective = objective
        if beta_schedule == 'linear':
            betas = linear_beta_schedule(timesteps)
        elif beta_schedule == 'cosine':
            betas = cosine_beta_schedule(timesteps)
        else:
            raise ValueError(f'unknown beta schedule {beta_schedule}')

        alphas = 1. - betas
        alphas_cumprod = torch.cumprod(alphas, axis=0)
        alphas_cumprod_prev = F.pad(alphas_cumprod[:-1], (1, 0), value = 1.)
        timesteps, = betas.shape
        self.num_timesteps = int(timesteps)
        self.loss_type = loss_type

        # 采样相关的参数
        self.sampling_timesteps = default(sampling_timesteps, timesteps) # default num sampling timesteps to number of timesteps at training
        assert self.sampling_timesteps <= timesteps
        self.is_ddim_sampling = self.sampling_timesteps < timesteps
        self.ddim_sampling_eta = ddim_sampling_eta
        # helper function to register buffer from float64 to float32
        register_buffer = lambda name, val: self.register_buffer(name, val.to(torch.float32))

        register_buffer('betas', betas)
        register_buffer('alphas_cumprod', alphas_cumprod)
        register_buffer('alphas_cumprod_prev', alphas_cumprod_prev)

        # 先计算扩散过程的 q(x_t | x_{t-1})
        register_buffer('sqrt_alphas_cumprod', torch.sqrt(alphas_cumprod))
        register_buffer('sqrt_one_minus_alphas_cumprod', torch.sqrt(1. - alphas_cumprod))
        register_buffer('log_one_minus_alphas_cumprod', torch.log(1. - alphas_cumprod))
        register_buffer('sqrt_recip_alphas_cumprod', torch.sqrt(1. / alphas_cumprod))
        register_buffer('sqrt_recipm1_alphas_cumprod', torch.sqrt(1. / alphas_cumprod - 1))

        # 计算后验函数q(x_{t-1} | x_t, x_0)
        posterior_variance = betas * (1. - alphas_cumprod_prev) / (1. - alphas_cumprod)

        # 然后得到: equal to 1. / (1. / (1. - alpha_cumprod_tm1) + alpha_t / beta_t)
        register_buffer('posterior_variance', posterior_variance)

        # 实施diffusion chain
        register_buffer('posterior_log_variance_clipped', torch.log(posterior_variance.clamp(min =1e-20)))
        register_buffer('posterior_mean_coef1', betas * torch.sqrt(alphas_cumprod_prev) / (1. - alphas_cumprod))
        register_buffer('posterior_mean_coef2', (1. - alphas_cumprod_prev) * torch.sqrt(alphas) / (1. - alphas_cumprod))

        # 计算p2权重
        register_buffer('p2_loss_weight', (p2_loss_weight_k + alphas_cumprod / (1 - alphas_cumprod)) ** -p2_loss_weight_gamma)

推荐这个pytorch库，

$ pip install denoising_diffusion_pytorch

可以轻松使用DDPM模型。

import torch
from denoising_diffusion_pytorch import Unet, GaussianDiffusion

model = Unet(
    dim = 64,
    dim_mults = (1, 2, 4, 8)
)

diffusion = GaussianDiffusion(
    model,
    image_size = 128,
    timesteps = 1000,   # number of steps
    loss_type = 'l1'    # L1 or L2
)

training_images = torch.randn(8, 3, 128, 128) # images are normalized from 0 to 1
loss = diffusion(training_images)
loss.backward()
# after a lot of training

sampled_images = diffusion.sample(batch_size = 4)
sampled_images.shape # (4, 3, 128, 128)

---

GLIDE： Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models
GLIDE最重要的贡献在于它允许文本作为条件来生成图像，即 text-conditional 图像。一张动图n胜千言，上图是 GLIDE 的训练过程：

• 首先将文本编码为 K 个 token 序列。
• 然后将token输入到 Transformer。
• transformer输出的最后一个token作为扩散模型的条件。其中每一步中都基于生成图像$E_I(x)$与文本$E_L(l)$之间的相似度来计算梯度$F(x_t,l,t)=E$。且GLIDE是无分类器的扩散引导：$\epsilon(x_t|caption)=\epsilon(x_t)+s \cdot (\epsilon(x_t,caption)-\epsilon(x_t))$

再加上更多的参数（3.5B）和数据（DALLE），它可以更好的将文本信息加入到扩散模型以得到更好的训练效果。

paper：https://arxiv.org/pdf/2112.10741.pdf
project：https://github.com/openai/glide-text2im

---

Hierarchical Text-conditional Image Generation with Clip

DALLE2的模型结构如上图，其中扩散模型是基于GLIDE的。

• 虚线上半部分是预训练好的CLIP。一侧输入文本，一侧是图像，用于得到表征。
• 虚线下半部分是text-to-image的生成过程。这一过程是二阶的过程，即文本变图像特征，再特性特征变图像。首先文本特征输入autoregressive或者diffusion prior以得到初步的图像特征（实验证明diffusion效率更高，因此一般选用diffusion），然后该特征会进一步作为condition到反向扩散模型中生成最后的图片。

值得注意的是 GLIDE 模型以两种方式使用投影的 CLIP 文本嵌入。第一种是将它们添加到 GLIDE 现有的时间步嵌入中，第二种是通过创建四个额外的上下文 token，它们连接到 GLIDE 文本编码器的输出序列。

project：https://openai.com/dall-e-2/
code：https://github.com/lucidrains/DALLE2-pytorch

---

High-Resolution Image Synthesis with Latent Diffusion Models

Stable Diffusion的性能有多夸张，博主夸不动了。直接看模型结构，它由VAE，Unet， CLIP 文本编码器组成。

• VAE。在训练期间，VAE编码器用于获取图像的潜在表示（latents）以进行前向扩散过程，即加噪声。而在推理过程中，逆扩散的去噪过程使用VAE解码器生成图像。
• U-Net。编码解码都由ResNet组成。编码器得到图像表示，而解码器还原图像，且此时得到的应该是噪声较小的。更具体地说，U-Net 输出预测可用于计算预测去噪图像表示的噪声残差。此外，交叉注意力层被添加到 U-Net 的编码器和解码器部分（ResNet 块之间）以调节输出。
• CLIP。文本编码将文本转换为 U-Net输入。且和Imagen一样，Stable Diffusion在训练期间不训练文本编码器，而只是使用 CLIP 已经训练好的CLIPTextModel。

除了它的生成效果极好外，它的所有代码、模型和权重参数库都已经在 Huggingface 的 Github 上进行开放！！yyds！！

pip install diffusers==0.2.4 transformers scipy ftfy

几行代码便可以轻松冲浪。

from diffusers import StableDiffusionPipeline

# get your token at https://huggingface.co/settings/tokens
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", use_auth_token=YOUR_TOKEN)

prompt = "a photograph of an astronaut riding a horse" #输入文本
image = pipe(prompt)["sample"][0] #得到生成的图片

paper：https://arxiv.org/abs/2112.10752
code：https://huggingface.co/CompVis/stable-diffusion
huggingface：https://huggingface.co/blog/stable_diffusion

Diffusion的优势
Diffusion的优势主要在于生成质量高，借助大模型后面的能力空间较大。但训练资源消耗太大，不容易部署。

---

Stable Diffusion 2.0
更新，Stable Diffusion 2.0。Stable Diffusion 2.0和1.0版本大致相同，不同的地方在于使用了新的文本编码器，即不是CLIPText，而使用了OpenCLIP 。性能上与早期的 V1 版本相比，分辨率变得更为清晰，文本到图像生成模型可以生成默认分辨率为 512x512 像素和 768x768 像素的图像。

code：https://github.com/Stability-AI/stablediffusion

negative prompt
与正常的文本到图像 prompt 类似，Negative Prompting 是指不希望在图像中看到的信息。通过这种方法，可以使得用户从原始生成的图像中删除任何局部信息，如「no, not, except, without」等。