---

前言

 Stable Diffusion在图像生成方面取得了很大的成功，其核心原理是LDM（Latent Diffusion Models），在论文《High-Resolution Image Synthesis with Latent Diffusion Models》中被提出，使用潜在扩散模型进行高分辨率图像生成，发表在CVPR2022上。LDM作者和VQGAN的作者相同。接下来对LDM这篇论文进行详细介绍。

一、LDM原理

 Diffusion Model（DM）的训练和推理速度太慢，需要占用大量的计算资源。因此LDM想解决的就是在不降低DM的图像生成能力的基础上降低计算量。

 论文中总结到，对于基于最大似然的模型，训练可以分为两部分，先是进行感知压缩（perceptual compression），然后进行语义压缩（semantic compression）。（图像感知指的是图像的细节，图像语义指的是图像的主体是什么）。对于DM来说，在进行图像生成的时候，在前面的步骤中先是进行图像的语义生成，也就是确定图像的内容大概是什么东西，接下来的很多步骤都是进行图像的感知生成，也就是负责图像的细节生成。由于DM是在像素层面进行生成，所以计算量很大，并且DM的很多计算量都集中在图像的感知（细节）生成方面。
 基于此LDM的目标就是想让DM只负责图像语义方面，而图像的感知（细节）方面交给其他的模型去负责。也就是让DM在潜在空间上去训练和推理。

二、模型结构

 LDM的模型结构如上图所示。其主体是由自编码器部分（粉色）、DM部分（绿色）以及条件机制（灰色）三部分组成。在进行图像生成时，首先使用DM进行扩散获得具有语义信息的特征图，然后使用自编码器的解码器进行图像的感知生成获得最终的图片。
 这样做有三个好处：1.DM在低维潜在空间进行扩散，计算量减少。2.利用了DM中的UNet模型的归纳偏置，这使得模型可以获得图像的空间结构，不用像之前VQVAE,VQGAN对于输入图像的极致压缩而失去了图像原有的空间结构。3.获得了一个通用的压缩模型，其潜在空间可以用于训练多个生成模型。接下里对LDM的三个部分分别进行介绍。
图像感知压缩
 图像感知压缩模型（粉色部分）是基于之前的VQGAN工作，由自编码器组成，在训练时结合了感知损失和对抗损失，避免了只使用L1或L2损失引入的模糊现象。
 对于输入的图像，编码器将其进行编码变换到潜在空间，然后解码器在潜在空间重构图像。为了避免高方差分布的潜在空间，LDM引入了两种正则化。一种是KL正则化，一种是VQ正则化。（在VQGAN中通过将潜在空间进行离散化避免高方差，而LDM的潜在空间是连续的。）
 VQGAN在潜在空间进行自回归建模生成采样的时候，是使用的Transformer模型，相当于采样的是一维的序列，没有图片的空间结构。而LDM在潜在空间进行采样时，是由DM生成的具有归纳偏置的二维分布，具有空间特征结构。因此，LDM生成的图像更好的保留了细节部分。
 同时，VQGAN由于使用的是Transformer进行建模采样，受Transformer自身特性影响，其序列长度是一维的且不会很长，这就导致最后将一维序列Reshape成二维特征图的时候特征图尺寸不会很大，所以其采样是高度压缩的，自然生成的图像失去了很多细节。而LDM使用DM生成的本身就是具有归纳偏置的二维特征采样，所以具有生成效果好。
DM
 DM模型就是使用经典的DDPM模型，只不过扩散和采样从图像的像素空间转移到了潜在空间。对于DDPM的详细介绍可以看一下这篇博文：
DDPM详解
 通过在潜在空间训练DM，可以使DM集中于图片中重要的语义信息减少计算量。

条件机制
 在进行条件生成时是在DM的UNet中使用cross-attention机制实现。为了对不同的模态进行处理，使用不同利用的专业编码器${\tau }_{\theta }$（上图灰色部分）对条件进行编码获得${\tau }_{\theta }(y)$，然后将其输入到UNet中的cross-attention作交叉注意力计算。在进行条件生成的时候，LDM中的DM训练可以表示为下述公式：

三、模型训练与推理

 LDM的训练与VQGAN一样是分为两部分。首先是先训练感知自编码器（粉色部分），接着在潜在空间上训练DM。
 在进行推理的时候，先使用DM在潜在空间进行采样获得特征图，然后将其给解码器进行最终的图片生成。

总结

 LDM通过在潜在空间进行DM训练采样，在没有降低图像生成质量的情况下大大提高了训练和推理速度，同时基于cross-attention条件机制，LDM与当时的SOTA方法相比取得了很好的结果。