前言

最近 AI 繪圖非常的火，其背后用到的核心技術(shù)之一就是 Diffusion Model（擴(kuò)散模型），雖然想要完全弄懂 Diffusion Model 和其中復(fù)雜的公式推導(dǎo)需要掌握比較多的前置數(shù)學(xué)知識，但這并不妨礙我們?nèi)ダ斫馄湓怼＝酉聛頃怨P者所理解的角度去講解什么是 Diffusion Model。

什么是 Diffusion Model

前向 Diffusion 過程

Diffusion Model 首先定義了一個(gè)前向擴(kuò)散過程，總共包含T個(gè)時(shí)間步，如下圖所示：

最左邊的藍(lán)色圓圈 x0 表示真實(shí)自然圖像，對應(yīng)下方的狗子圖片。

最右邊的藍(lán)色圓圈 xT 則表示純高斯噪聲，對應(yīng)下方的噪聲圖片。

最中間的藍(lán)色圓圈 xt 則表示加了噪聲的 x0 ，對應(yīng)下方加了噪聲的狗子圖片。

箭頭下方的 q(xt|xt-1) 則表示一個(gè)以前一個(gè)狀態(tài) xt-1 為均值的高斯分布，xt 從這個(gè)高斯分布中采樣得到。

所謂前向擴(kuò)散過程可以理解為一個(gè)馬爾可夫鏈（見參考資料[7]），即通過逐步對一張真實(shí)圖片添加高斯噪聲直到最終變成純高斯噪聲圖片。

那么具體是怎么添加噪聲呢，公式表示如下：

也就是每一時(shí)間步的 xt 是從一個(gè)，以 1-βt 開根號乘以 xt-1 為均值，βt為方差的高斯分布中采樣得到的。

其中βt, t ∈ [1, T] 是一系列固定的值，由一個(gè)公式生成。

在參考資料 [2] 中設(shè)置 T=1000, β1=0.0001, βT=0.02，并通過一句代碼生成所有 βt 的值：

# https://pytorch.org/docs/stable/generated/torch.linspace.html
betas = torch.linspace(start=0.0001, end=0.02, steps=1000)

然后在采樣得到 xt 的時(shí)候并不是直接通過高斯分布 q(xt|xt-1) 采樣，而是用了一個(gè)重參數(shù)化的技巧（詳見參考資料[4]第5頁）。

簡單來說就是，如果想要從一個(gè)任意的均值 μ 方差 σ^2 的高斯分布中采樣

可以首先從一個(gè)標(biāo)準(zhǔn)高斯分布（均值0，方差1）中進(jìn)行采樣得到 ε，

然后 μ + σ·ε 就等價(jià)于從任意高斯分布中進(jìn)行采樣的結(jié)果。公式表示如下：

接著回來看具體怎么采樣得到噪聲圖片 xt呢，

也是首先從標(biāo)準(zhǔn)高斯分布中采樣，接著乘以標(biāo)準(zhǔn)差再加上均值 ，偽代碼如下：

# https://pytorch.org/docs/stable/generated/torch.randn_like.html
betas = torch.linspace(start=0.0001, end=0.02, steps=1000)
noise = torch.randn_like(x_0)
xt = sqrt(1-betas[t]) * xt-1 + sqrt(betas[t]) * noise

然后前向擴(kuò)散過程還有個(gè)屬性，就是可以直接從 x0 采樣得到中間任意一個(gè)時(shí)間步的噪聲圖片 xt，公式如下：

其中的 αt 表示：

具體怎么推導(dǎo)出來的可以看參考資料[4] 第11頁，偽代碼表示如下：

betas = torch.linspace(start=0.0001, end=0.02, steps=1000)
alphas = 1 - betas
# cumprod 相當(dāng)于為每個(gè)時(shí)間步 t 計(jì)算一個(gè)數(shù)組 alphas 的前綴乘結(jié)果
# https://pytorch.org/docs/stable/generated/torch.cumprod.html
alphas_cum = torch.cumprod(alphas, 0)
alphas_cum_s = torch.sqrt(alphas_cum)
alphas_cum_sm = torch.sqrt(1 - alphas_cum)

# 應(yīng)用重參數(shù)化技巧采樣得到 xt
noise = torch.randn_like(x_0)
xt = alphas_cum_s[t] * x_0 + alphas_cum_sm[t] * noise

通過上述的講解，讀者應(yīng)該對 Diffusion Model 的前向擴(kuò)散過程有比較清晰的理解了。

不過我們的目的不是要做圖像生成嗎？

現(xiàn)在只是從數(shù)據(jù)集中的真實(shí)圖片得到一張?jiān)肼晥D，那具體是怎么做圖像生成呢？

反向 Diffusion 過程

反向擴(kuò)散過程 q(xt-1|xt, x0) （看粉色箭頭）是前向擴(kuò)散過程 q(xt|xt-1) 的后驗(yàn)概率分布。

和前向過程相反是從最右邊的純高斯噪聲圖，逐步采樣得到真實(shí)圖像 x0。

后驗(yàn)概率 q(xt-1|xt, x0) 的形式可以根據(jù)貝葉斯公式推導(dǎo)得到（推導(dǎo)過程詳見參考資料[4]第12頁）：

也是一個(gè)高斯分布。

其方差從公式上看是個(gè)常量，所有時(shí)間步的方差值都是可以提前計(jì)算得到的：

計(jì)算偽代碼如下：

betas = torch.linspace(start=0.0001, end=0.02, steps=1000)
alphas = 1 - betas
alphas_cum = torch.cumprod(alphas, 0)
alphas_cum_prev = torch.cat((torch.tensor([1.0]), alphas_cum[:-1]), 0)
posterior_variance = betas * (1 - alphas_cum_prev) / (1 - alphas_cum)

然后看均值的計(jì)算，

對于反向擴(kuò)散過程，在采樣生成 xt-1 的時(shí)候 xt 是已知的，而其他系數(shù)都是可以提前計(jì)算得到的常量。

但是現(xiàn)在問題來了，在真正通過反向過程生成圖像的時(shí)候，x0 我們是不知道的，因?yàn)檫@是待生成的目標(biāo)圖像。

好像變成了雞生蛋，蛋生雞的問題，那該怎么辦呢？

Diffusion Model 訓(xùn)練目標(biāo)

當(dāng)一個(gè)概率分布q 求解困難的時(shí)候，我們可以換個(gè)思路（詳見參考資料[5,6]）。

通過人為構(gòu)造一個(gè)新的分布 p，然后目標(biāo)就轉(zhuǎn)為縮小分布 p 和 q 之間差距。

通過不斷修改 p 的參數(shù)去縮小差距，當(dāng) p 和 q 足夠相似的時(shí)候就可以替代 q 了。

然后回到反向 Diffusion 過程，由于后驗(yàn)分布 q(xt-1|xt, x0) 沒法直接求解。

那么我們就構(gòu)造一個(gè)高斯分布 p(xt-1|xt)（見綠色箭頭），讓其方差和后驗(yàn)分布 q(xt-1|xt, x0) 一致：

而其均值則設(shè)為：

和 q(xt-1|xt, x0) 的區(qū)別在于，x0 改為 xθ(xt, t) 由一個(gè)深度學(xué)習(xí)模型預(yù)測得到，模型輸入是噪聲圖像 xt 和時(shí)間步 t 。

然后縮小分布 p(xt-1|xt) 和 q(xt-1|xt, x0) 之間差距，變成優(yōu)化以下目標(biāo)函數(shù)（推導(dǎo)過程詳見參考資料[4]第13頁）：

但是如果讓模型直接從 xt 去預(yù)測 x0，這個(gè)擬合難度太高了，我們再繼續(xù)換個(gè)思路。

前面介紹前向擴(kuò)散過程提到，xt 可以直接從 x0 得到：

將上面的公式變換一下形式：

代入上面 q(xt-1|xt, x0) 的均值式子中可得（推導(dǎo)過程詳見參考資料[4]第15頁）：

觀察上述變換后的式子，發(fā)現(xiàn)后驗(yàn)概率 q(xt-1|xt, x0) 的均值只和 xt 和前向擴(kuò)散時(shí)候時(shí)間步 t 所加的噪聲有關(guān)。

所以我們同樣對構(gòu)造的分布 p(xt-1|xt) 的均值做一下修改：

將模型改為去預(yù)測在前向時(shí)間步 t 所添加的高斯噪聲 ε，模型輸入是 xt 和 時(shí)間步 t：

接著優(yōu)化的目標(biāo)函數(shù)就變?yōu)椋ㄍ茖?dǎo)過程詳見參考資料[4]第15頁）：

然后訓(xùn)練過程算法描述如下，最終的目標(biāo)函數(shù)前面的系數(shù)都去掉了，因?yàn)槭浅Ａ浚?/p>

可以看到雖然前面的推導(dǎo)過程很復(fù)雜，但是訓(xùn)練過程卻很簡單。

首先每個(gè)迭代就是從數(shù)據(jù)集中取真實(shí)圖像 x0，并從均勻分布中采樣一個(gè)時(shí)間步 t，

然后從標(biāo)準(zhǔn)高斯分布中采樣得到噪聲 ε，并根據(jù)公式計(jì)算得到 xt。

接著將 xt 和 t 輸入到模型讓其輸出去擬合預(yù)測噪聲 ε，并通過梯度下降更新模型，一直循環(huán)直到模型收斂。

而采用的深度學(xué)習(xí)模型是類似 UNet 的結(jié)構(gòu)（詳見參考資料[2]附錄B）。

訓(xùn)練過程的偽代碼如下：

betas = torch.linspace(start=0.0001, end=0.02, steps=1000)
alphas = 1 - betas
alphas_cum = torch.cumprod(alphas, 0)
alphas_cum_s = torch.sqrt(alphas_cum)
alphas_cum_sm = torch.sqrt(1 - alphas_cum)

def diffusion_loss(model, x0, t, noise):
    # 根據(jù)公式計(jì)算 xt
    xt = alphas_cum_s[t] * x0 + alphas_cum_sm[t] * noise
    # 模型預(yù)測噪聲
    predicted_noise = model(xt, t)
    # 計(jì)算Loss
    return mse_loss(predicted_noise, noise)

for i in len(data_loader):
    # 從數(shù)據(jù)集讀取一個(gè) batch 的真實(shí)圖片
    x0 = next(data_loader)
    # 采樣時(shí)間步
    t = torch.randint(0, 1000, (batch_size,))
    # 生成高斯噪聲
    noise = torch.randn_like(x_0)
    loss = diffusion_loss(model, x0, t, noise)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

Diffusion Model 生成圖像過程

模型訓(xùn)練好之后，在真實(shí)的推理階段就必須從時(shí)間步 T 開始往前逐步生成圖片，算法描述如下：

一開始先生成一個(gè)從標(biāo)準(zhǔn)高斯分布生成噪聲，然后每個(gè)時(shí)間步 t，將上一步生成的圖片 xt 輸入模型模型預(yù)測出噪聲。接著從標(biāo)準(zhǔn)高斯分布中采樣一個(gè)噪聲，根據(jù)重參數(shù)化技巧，后驗(yàn)概率的均值和方差公式，計(jì)算得到 xt-1，直到時(shí)間步 1 為止。

改進(jìn) Diffusion Model

文章 [3] 中對 Diffusion Model 提出了一些改進(jìn)點(diǎn)。

對方差 βt 的改進(jìn)

前面提到 βt 的生成是將一個(gè)給定范圍均勻的分成 T 份，然后每個(gè)時(shí)間步對應(yīng)其中的某個(gè)點(diǎn)：

betas = torch.linspace(start=0.0001, end=0.02, steps=1000)

然后文章 [3] 通過實(shí)驗(yàn)觀察發(fā)現(xiàn)，采用這種方式生成方差 βt 會導(dǎo)致一個(gè)問題，就是做前向擴(kuò)散的時(shí)候到靠后的時(shí)間步噪聲加的太多了。

這樣導(dǎo)致的結(jié)果就是在前向過程靠后的時(shí)間步，在反向生成采樣的時(shí)候并沒有產(chǎn)生太大的貢獻(xiàn)，即使跳過也不會對生成結(jié)果有多大的影響。

接著論文[3] 中就提出了新的 βt 生成策略，和原策略在前向擴(kuò)散的對比如下圖所示：

第一行就是原本的生成策略，可以看到還沒到最后的時(shí)間步就已經(jīng)變成純高斯噪聲了，

而第二行改進(jìn)的策略，添加噪聲的速度就慢一些，看起來也更合理。

實(shí)驗(yàn)結(jié)果表明，針對 imagenet 數(shù)據(jù)集 64x64 的圖片，原始的策略在做反向擴(kuò)散的時(shí)候，即使跳過開頭的 20% 的時(shí)間步，都不會對指標(biāo)有很大的影響。

然后看下新提出的策略公式：

其中 s 設(shè)置為 0.008同時(shí)限制 βt最大值為 0.999，偽代碼如下：

T = 1000
s = 8e-3
ts = torch.arange(T + 1, dtype=torch.float64) / T + s
alphas = ts / (1 + s) * math.pi / 2
alphas = torch.cos(alphas).pow(2)
alphas = alphas / alphas[0]
betas = 1 - alphas[1:] / alphas[:-1]
betas = betas.clamp(max=0.999)

對生成過程時(shí)間步數(shù)的改進(jìn)

原本模型訓(xùn)練的時(shí)候是假定在 T個(gè)時(shí)間步下訓(xùn)練的，在生成圖像的時(shí)候，也必須從 T 開始遍歷到 1 。而論文 [3] 中提出了一種不需要重新訓(xùn)練就可以減少生成步數(shù)的方法，從而顯著提升生成的速度。

這個(gè)方法簡單描述就是，原來是 T 個(gè)時(shí)間步現(xiàn)在設(shè)置一個(gè)更小的時(shí)間步數(shù) S ，將 S 時(shí)間序列中的每一個(gè)時(shí)間步 s 和 T時(shí)間序列中的步數(shù) t 對應(yīng)起來，偽代碼如下：

T = 1000
S = 100
start_idx = 0
all_steps = []
frac_stride = (T - 1) / (S - 1)
cur_idx = 0.0
s_timesteps = []
for _ in range(S):
    s_timesteps.append(start_idx + round(cur_idx))
    cur_idx += frac_stride

接著計(jì)算新的 β ，St 就是上面計(jì)算得到的 s_timesteps：

偽代碼如下：

alphas = 1 - betas
alphas_cum = torch.cumprod(alphas, 0)
last_alpha_cum = 1.0
new_betas = []
# 遍歷原來的 alpha 前綴乘序列
for i, alpha_cum in enumerate(alphas_cum):
    # 當(dāng)原序列 T 的索引 i 在新序列 S 中時(shí)，計(jì)算新的 beta
    if i in s_timesteps:
        new_betas.append(1 - alpha_cum / last_alpha_cum)
        last_alpha_cum = alpha_cum

簡單看下實(shí)驗(yàn)結(jié)果：

關(guān)注畫藍(lán)線的紅色和綠色實(shí)線，可以看到采樣步數(shù)從 1000 縮小到 100 指標(biāo)也沒有降多少。

審核編輯：劉清