擴(kuò)散模型在生成高質(zhì)量圖像、視頻、聲音等方面表現(xiàn)突出。它們與物理學(xué)中的自然擴(kuò)散過程相似而得名，自然擴(kuò)散過程描述了分子如何從高濃度區(qū)域移動到低濃度區(qū)域。在機(jī)器學(xué)習(xí)的背景下，擴(kuò)散模型通過逆轉(zhuǎn)擴(kuò)散過程來生成新數(shù)據(jù)。主要的思想是向數(shù)據(jù)添加隨機(jī)噪聲，然后反過來從噪聲數(shù)據(jù)中推理和獲取原始數(shù)據(jù)。

“是先有雕像，還是先有石頭，其實(shí)雕像已經(jīng)早在石頭里面！”

1.Diffusion Model

Diffusion Model（擴(kuò)散模型）其實(shí)理解起來不難，它分為兩個過程，正向擴(kuò)散和逆向擴(kuò)散。正向擴(kuò)散過程從基本分布（通常是高斯分布）采樣開始生成噪聲。選擇一幅圖片，然后對圖片不斷地增加噪聲，隨著噪聲不斷地增加，最后會變?yōu)橐粋€純噪聲圖片。可以想象一下較早期收不到信號的電視畫面！

每一個噪聲都是在前一時刻增加噪聲而來。從最開始的x0開始，反復(fù)迭代直到最終得到xt的純噪聲圖像（中間經(jīng)歷N輪）。因?yàn)镈iffusion的本質(zhì)是去噪，為了推導(dǎo)出逆向的去噪方法，采用了很取巧的加噪聲的原理。<大白話的意思是，讓你在畫上亂涂是很容易的，但是讓你畫出還是有難度的吧！>。

添加噪聲的過程的目的其實(shí)就是不斷構(gòu)建新的訓(xùn)練樣本，因?yàn)榍耙粫r刻可以預(yù)測出來后一時刻的噪聲。按照剛才的說法，在第一個過程的擴(kuò)散中將數(shù)據(jù)收集起來，用于下面的這個Noise Predicter的模型訓(xùn)練。最終訓(xùn)練出來的模型可以從噪聲中恢復(fù)（創(chuàng)造）出清晰的圖片。

這個模型是一個逆噪聲的模型，它用于預(yù)測輸入圖片中在本輪需要去掉的噪聲，然后將原圖與預(yù)測生成的噪聲相減，突出下一輪更清晰的圖。這個訓(xùn)練過程將剛才正向迭代的數(shù)據(jù)集作為樣本反向訓(xùn)練這個模塊（上圖藍(lán)色的為輸入值，紅色的為預(yù)測值），讀者好好思考下為什么？<說白了就是訓(xùn)練它的去噪聲能力！> 是不是很巧妙，也是不是很簡單~

當(dāng)訓(xùn)練完畢再生成圖片的時候，就開始要表演魔術(shù)了?？梢噪S機(jī)生成噪聲，然后丟進(jìn)去Noise Predicter，一輪一輪的去掉噪聲，一幅清晰的圖片不就展示在讀者的眼前。具體的算法如上，在原來的論文中，第0步代表最清晰的圖，第N步代表噪聲圖，一般N是個超參數(shù)?？梢暬^程如下：

那么文縐縐的術(shù)語如下：“它逐漸增加了復(fù)雜性，通常被可視化為結(jié)構(gòu)化噪聲的添加。通過連續(xù)變換對初始數(shù)據(jù)的擴(kuò)散使模型能夠捕獲和再現(xiàn)目標(biāo)分布中固有的復(fù)雜模式和細(xì)節(jié)。前向擴(kuò)散過程的最終目標(biāo)是將這些簡單的開始演變?yōu)榫o密模擬所需復(fù)雜數(shù)據(jù)分布的樣本。前向擴(kuò)散過程的最終目標(biāo)是將這些簡單的開始演變?yōu)榫o密模擬所需復(fù)雜數(shù)據(jù)分布的樣本。這確實(shí)表明了如何從最少的信息開始可以帶來豐富、詳細(xì)的輸出?！?/p>

通過緩慢添加（去除）噪聲來生成樣本的馬爾可夫鏈前向（反向）擴(kuò)散過程。

2.文本生成圖片

現(xiàn)在的Stable Diffusion、DALL-E、Imagen背后都有比較類似的文本生成圖片的架構(gòu)。抽象出來一般分為三部分：1 文字Embedding（Encoder）、2 文字和圖的Diffusion的過程生成具有特定意義的中間向量（Latent Representation）、3 將最終的中間向量丟到解碼器（Decoder）進(jìn)而生成圖片。

值得注意的是第2部分的過程也是Diffusion的逆生成過程，將噪聲和文本一起輸入去噪聲模塊，不斷地重復(fù)，值得生成的中間表達(dá)向量比較優(yōu)質(zhì)，在將中間表達(dá)向量丟到解碼器生成圖片。

是不是很熟悉的味道和配方，其實(shí)類似于自動編解碼器。先來看看Stable Diffusion的架構(gòu)圖。

上面的正向擴(kuò)散，下面是逆向訓(xùn)練過程。Z是原始的圖片，Zt是噪聲圖。讀者可以在圖中找1，2，3，其實(shí)就是從右到左的三個部分。

再來看看DALL-E的模型架構(gòu)圖，這時候的1，2，3則是從左往右。text-encoder就是之前說的1文字編碼器，prior就是2中間的Diffusion過程，最后的decoder就是3。

上圖虛線上方，描述了CLIP訓(xùn)練過程，通過該過程可以學(xué)習(xí)文本和圖像的聯(lián)合表示空間。還記得CLIP么，不記得的話點(diǎn)擊鏈接回去溫習(xí)一下。

虛線下方，描述了文本到圖像的生成過程：將CLIP文本嵌入饋送到自回歸或擴(kuò)散prior以生成圖像嵌入，然后使用此嵌入來調(diào)節(jié)擴(kuò)散解碼器，從而生成最終圖像。值得一提的是，在prior和解碼器的訓(xùn)練期間，CLIP 模型處于凍結(jié)狀態(tài)。

而22年的Google的Imagen也是類似的架構(gòu)，從上往下1，2，3。讀者可以發(fā)現(xiàn)這個圖中，第二部分輸出的Latent Representation是64*64的圖（應(yīng)該稱呼為特征表達(dá)向量），最終64*64會經(jīng)過Decoder（這里也使用了Diffusion Model）生成1024*1024的圖片。

相信讀者還是會有很多疑問，不著急。先建立起基本的概念，形成初步的認(rèn)知，后續(xù)會循序漸進(jìn)地帶著讀者進(jìn)一步遨游這個領(lǐng)域。

本文轉(zhuǎn)載自 ??魯班模錘??，作者： 龐德公