生成式AI扩散模型-Diffusion Model【李宏毅2023】概念讲解、原理剖析笔记

一、Diffusion的基本概念和运作方法

1.Diffusion Model是如何运作的？

2.Denoise模块内部正在做的事情

如何训练Noise predictor？

1）Forward Process (Diffusion Process)

2）noise predictor

3.Text-to-Image

4.两个Algorithm

二、Diffusion Framework

1.Framework

①Text Encoder：将文字输入encoder为向量

FID：Frechet Inception Distance ↓

CLIP：Contrastive Language-Image Pre-Training

②Generation Model：输入一个噪声，得到图片的压缩版本

③Decoder：压缩的版本还原为原来的图片

Small pic

Auto-Encoder

2. Stable Diffusion

3.DALL-E series

4.Imagen (Google)

三、Diffusion Model数学原理剖析（1）

Algorithm1 Training

Algorithm2 Sampling

四、Diffusion Model数学原理剖析（2）

1.影像生成模型本质上的共同目标

2.Maximum Likelihood Estimation

视频链接：【生成式AI】Diffusion Model 概念讲解 (2/2)_哔哩哔哩_bilibili

原视频：【生成式AI】Diffusion Model 原理剖析 (1/4) (optional) (youtube.com)

课件链接：ML 2023 Spring (ntu.edu.tw)

一、Diffusion的基本概念和运作方法

1.Diffusion Model是如何运作的？

Denoise Model 是同一个Model，但是由于每次输入的噪声严重程度不同，因此除了输入图片外，还引入一个数字，用来表示当前输入图片噪声的严重程度，比如 ”1“ 代表Denoise步骤快结束了

2.Denoise模块内部正在做的事情

为什么不直接生成一个带噪音的猫？因为 noise predictor 的输出分布是简单的，而直接生成各种图片的分布是复杂的，所以 noise predictor 更容易训练，也就是说生成一张图片的噪音相对来说更容易

如何训练Noise predictor？

我们需要一个ground truth 来生成noise：

1）Forward Process (Diffusion Process)

通过一步步的加噪声，得到最终的噪音图，而每一步的step x 就代表在训练过程的第二个输入，每一步得到的加了噪音的图，就是训练过程的第一个输入（相当于反向过来看）

2）noise predictor

根据输入的step x和输入的噪音图，得到该张图片的噪声预测，减掉噪声得到最终results

3.Text-to-Image

文字输入作为noise predictor的额外的输入，描述当前图片

4.两个Algorithm

二、Diffusion Framework

1.Framework

：三个Model分开训练，然后再组合起来，且市面上大多数diffusion都是采用的这三个Model

①Text Encoder：将文字输入encoder为向量

图（a）表示测试不同Encoder对于实验结果的影响，FID越小越好，CLIP Score越大越好，即越往右下角越好，随着T5的size逐渐增大，实验结果越来越好

图（b）表示测试不同Diffusion Model对于实验结果的影响，可以看到增大Diffusion Model对于实验结果的帮助是有限的

FID和CLIP为衡量模型生成图片质量的指标，上述结论得出Encoder的重要性

FID：Frechet Inception Distance ↓

FID 是生成图像和真实图像在特征空间中的分布距离，FID 假设生成图像和真实图像在特征空间的分布都是高斯分布，然后计算这两个高斯分布的距离

首先有一个预训练好的CNN Model 影像分类模型，然后把所有图片（无论是真实还是生成数据）全部丢到CNN Model里面，然后得到真实影像和生成影像产生的representation，两组representation越接近就说明生成的数据越接近真实数据，反之亦然。

那么如何计算距离呢？：直接计算Gaussians之间的idstance

CLIP：Contrastive Language-Image Pre-Training

可以用来测试输入的图片和文字的对应关系是否紧密

如果text 和 image 是成对的，那么他们encoder出来的向量要越近越好；否则就要越远越好

②Generation Model：输入一个噪声，得到图片的压缩版本

Noise要加在中间产物或者latent representation上，而不是直接加在图片上

训练Decoder的时候不需要图片和文字对应的训练数据，而训练Difussion Model的时候是需要的

③Decoder：压缩的版本还原为原来的图片

Small pic

Decoder的输入是小图，输出是原始图片
所以我们可以对原始图片进行下采样，变成小图，然后小图和原始图片组成成对的数据集去训练Decoder即可。
Imagen采用的Decoder就是小图还原为大图，做一个downsampling

Auto-Encoder

Diffusion和DALL采用的Decoder是Latent Representation，之前在讲Diffussion Model的时候，nosie是加到图片上面的，而现在我们的Framework里面扩散模型产生的是中间产物，他可能不是图片了，所以我们在diffusion process这一部分，把nosie加到中间产物(eg.latent representation)上面.

如果中间产物不是小图，而是Latent Reoresentation，那就要训练一个Auto-encoder
这个Auto-encoder要做的事情，就是将图片输入到encoder中，得到图片的潜在表示，然后将潜在表示输入到Decoder中，得到图片，让得到的图片与输入的图片越相近越好。
训练完，把这个Auto-encoder 中的Decoder拿出来用就好了