擴(kuò)散模型和其在文本生成圖像任務(wù)上的應(yīng)用

本文主要介紹擴(kuò)散模型和其在文本生成圖像任務(wù)上的應(yīng)用，從擴(kuò)散模型的理論知識(shí)開(kāi)始，再到不同的指導(dǎo)技巧，最后介紹文本生成圖像的應(yīng)用，帶讀者初探擴(kuò)散模型的究竟。如有遺漏或錯(cuò)誤，歡迎大家指正。

引言：擴(kuò)散模型是一類生成模型，通過(guò)迭代去噪過(guò)程將高斯噪聲轉(zhuǎn)換為已知數(shù)據(jù)分布的樣本，生成的圖片具有較好的多樣性和寫(xiě)實(shí)性。文本生成圖像是多模態(tài)的任務(wù)之一，目前該任務(wù)的很多工作也是基于擴(kuò)散模型進(jìn)行構(gòu)建的，如GLIDE、DALL·E2、Imagen等，生成的圖片讓人驚嘆。本文從介紹擴(kuò)散模型的理論部分開(kāi)始，主要介紹DDPM一文中涉及到的數(shù)學(xué)公式，然后介紹擴(kuò)散模型中常用到的指導(dǎo)技巧，最后會(huì)介紹文本生成圖像的一些應(yīng)用。 1. 擴(kuò)散模型

上圖展示了擴(kuò)散模型的兩個(gè)過(guò)程。其中，從右到左（從到）表示正向過(guò)程或擴(kuò)散過(guò)程，從左到右（從到）表示的是逆向過(guò)程。擴(kuò)散過(guò)程逐步向原始圖像添加高斯噪聲，是一個(gè)固定的馬爾科夫鏈過(guò)程，最后圖像也被漸進(jìn)變換為一個(gè)高斯噪聲。而逆向過(guò)程則通過(guò)去噪一步步恢復(fù)原始圖像，從而實(shí)現(xiàn)圖像的生成。下面形式化介紹擴(kuò)散過(guò)程、逆擴(kuò)散過(guò)程和目標(biāo)函數(shù)，主要參考DDPM[1]論文和What are Diffusion Models?[2]博客內(nèi)容。1.1 擴(kuò)散過(guò)程設(shè)原始圖像，擴(kuò)散過(guò)程進(jìn)行步，每一步都向數(shù)據(jù)中添加方差為每一步都向數(shù)據(jù)中添加方差為，最終。所以，由馬爾科夫鏈的無(wú)記憶性，可對(duì)擴(kuò)散過(guò)程進(jìn)行如下定義：

所以，擴(kuò)散過(guò)程的均值和方差是已知的，其均值為，方差為。 擴(kuò)散過(guò)程有一個(gè)顯著特性，我們可以對(duì)任意 進(jìn)行采樣。為了證明該性質(zhì)需要使用參數(shù)重整化技巧：假設(shè)要從高斯分布中采樣時(shí)，可以先從采樣出 ,然后計(jì)算 ,這樣可以解決梯度無(wú)法回傳問(wèn)題。 所以首先將進(jìn)行重參數(shù)化：設(shè), 故： 設(shè)，： 其中 ，第三行到第四行進(jìn)行了兩個(gè)正態(tài)分布的相加。所以，重整化后 ，即 1.2 逆擴(kuò)散過(guò)程 逆擴(kuò)散過(guò)程是從給定的高斯噪聲中恢復(fù)原始數(shù)據(jù)，也是一個(gè)馬爾可夫鏈過(guò)程，但每個(gè)時(shí)刻 的均值和方差需要我們?nèi)W(xué)習(xí)，所以，我們可以構(gòu)建生成模型 ： 1.3 目標(biāo)函數(shù)擴(kuò)散模型使用負(fù)對(duì)數(shù)似然最小化的思想，采用近似的技術(shù)等價(jià)地要求負(fù)對(duì)數(shù)似然最小化。同時(shí)，由于KL散度具有非負(fù)性，因而將和的KL散度添加至負(fù)對(duì)數(shù)似然函數(shù)中，形成新的上界。 對(duì)于全部的訓(xùn)練數(shù)據(jù)，添加上式兩邊同乘 ，即：對(duì)上式進(jìn)行化簡(jiǎn)：上式中第四行到第五行，利用了馬爾可夫鏈的無(wú)記憶性和貝葉斯公式：第六行到第七行是第二個(gè)求和符號(hào)展開(kāi)并化簡(jiǎn)的結(jié)果。 上述過(guò)程在DDPM論文中的附錄部分也有展示。 觀察可知，項(xiàng)的兩個(gè)分布均已知，同時(shí)DDPM文中將項(xiàng)設(shè)置為一個(gè)特殊的高斯分布。故最后的目標(biāo)只和有關(guān)。 同時(shí)，雖然無(wú)法直接給出，但當(dāng)我們加入作為條件時(shí)，設(shè) 類似上面的處理，根據(jù)貝葉斯公式和馬爾可夫性質(zhì)，可知 然后由公式(1)(4)可知： 由于高斯分布的概率密度函數(shù)是： 將上面兩個(gè)式子進(jìn)行一一對(duì)應(yīng)，可以得到均值： 所以，由高斯分布的KL散度計(jì)算式可知，可化為： 因此，我們可以直觀地看到其目標(biāo)含義是模型預(yù)測(cè)的均值要盡可能和接近。然后，由公式 可知，輸入 不含參數(shù)，則在給定時(shí)，若 能夠預(yù)測(cè)出，則也能夠計(jì)算出均值，所以同樣進(jìn)行參數(shù)重整化，可得： 所以： DDPM論文中最終的簡(jiǎn)化目標(biāo)為： 所以可以看出，從預(yù)測(cè)均值變?yōu)榱酥苯宇A(yù)測(cè)噪聲，加快了推理速度。 2. Guided Diffusion DDPM論文提出之后，擴(kuò)散模型就可以生成質(zhì)量比較高的圖片，具有較強(qiáng)的多樣性，但是在具體的指標(biāo)數(shù)值上沒(méi)有超過(guò)GAN。同時(shí)，在協(xié)助用戶進(jìn)行藝術(shù)創(chuàng)作和設(shè)計(jì)時(shí)，對(duì)生成的圖像進(jìn)行細(xì)粒度控制也是一個(gè)重要的考慮因素。所以之后嘗試將一些具體的指導(dǎo)融入擴(kuò)散模型中去。 2.1 Classifier Guidance 用于圖像生成的GAN的相關(guān)工作大量使用了類標(biāo)簽，而我們也希望生成的圖片更加寫(xiě)實(shí)，所以有必要探索在類標(biāo)簽上調(diào)整擴(kuò)散模型。具體來(lái)說(shuō)，Diffusion Models Beat GANs[3]一文中使用了額外的分類器，在前面我們描述的無(wú)條件的逆向過(guò)程的基礎(chǔ)上，將類別作為條件進(jìn)行生成，具體公式如下：

上式的含義是加入類別作為條件進(jìn)行生成，可以看作無(wú)條件的生成和分類兩者的結(jié)合。具體而言，用分類模型對(duì)生成的圖片進(jìn)行分類，得到預(yù)測(cè)與目標(biāo)類別的交叉熵，從而使用梯度幫助模型的采樣和生成。 實(shí)際中，分類器是在噪聲數(shù)據(jù)上訓(xùn)練的。 采樣過(guò)程的算法如下：

可以看到該過(guò)程中同時(shí)學(xué)習(xí)均值和方差，然后加入分類器的梯度引導(dǎo)采樣過(guò)程。 2.2 Semantic Diffusion Guidance (SDG) 看到分類器指導(dǎo)的圖像生成的有效性后，自然而然可以想到：是否可以將圖像類別信息換為其他不同類型的指導(dǎo)呢？比如使用CLIP模型作為圖像和文本之間的橋梁，實(shí)現(xiàn)文本指導(dǎo)的圖像生成。 Semantic Diffusion Guidance(SDG)[4]是一個(gè)統(tǒng)一的文本引導(dǎo)和圖像引導(dǎo)框架，通過(guò)使用引導(dǎo)函數(shù)來(lái)注入語(yǔ)義輸入，以指導(dǎo)無(wú)條件擴(kuò)散模型的采樣過(guò)程，這使得擴(kuò)散模型中的生成更加可控，并為語(yǔ)言和圖像引導(dǎo)提供了統(tǒng)一的公式。

從采樣過(guò)程可以看出，不同的引導(dǎo)其實(shí)就是中的不同，可以是文本、圖像，也可以是兩者的結(jié)合。 2.3 Classifier-Free Guidance 以上方法都是使用了額外的模型，成本比較高，而且須在噪聲數(shù)據(jù)上進(jìn)行訓(xùn)練，無(wú)法使用預(yù)訓(xùn)練好的分類器。Classifier-Free Guidance[5]一文提出在沒(méi)有分類器的情況下，純生成模型可以進(jìn)行引導(dǎo)：共同訓(xùn)練有條件和無(wú)條件擴(kuò)散模型，并發(fā)現(xiàn)將兩者進(jìn)行組合，可以得到樣本質(zhì)量和多樣性之間的權(quán)衡。 原來(lái)分類器指導(dǎo)的式子如下,表示條件，和含義類似：

Classifier-Free Guidance方法將模型的輸入分為兩種，一種是無(wú)條件的 ，另一種是有條件的，使用一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)參數(shù)化兩個(gè)模型，對(duì)于無(wú)條件模型，我們可以在預(yù)測(cè)分?jǐn)?shù)時(shí)簡(jiǎn)單地為類標(biāo)識(shí)符設(shè)為零，即。我們聯(lián)合訓(xùn)練無(wú)條件和條件模型，只需將隨機(jī)設(shè)置為無(wú)條件類標(biāo)識(shí)符即可。然后，使用以下有條件和無(wú)條件分?jǐn)?shù)估計(jì)的線性組合進(jìn)行抽樣：

3. 應(yīng)用

3.1 GLIDE OpenAI的GLIDE[6]將擴(kuò)散模型和Classifier-Free Guidance進(jìn)行結(jié)合去生成圖像。同時(shí)文中比較了兩種不同的引導(dǎo)策略：CLIP Guidance和Classifier-Free Guidance，然后發(fā)現(xiàn)Classifier-Free Guidance在照片寫(xiě)實(shí)等方面更受人類評(píng)估者的青睞，并且通常會(huì)產(chǎn)生很逼真的樣本，并能實(shí)現(xiàn)圖像編輯。其中，Classifier-Free Guidance中的條件是文本。

下表是GLIDE在MS-COCO上的實(shí)驗(yàn)結(jié)果。

除了零樣本生成之外，GLIDE還具有編輯功能，允許迭代地改進(jìn)模型樣本。 3.2 DALL·E 2 DALL·E2[7]利用CLIP來(lái)生成圖像，提出了一個(gè)兩階段模型：一個(gè)先驗(yàn)prior網(wǎng)絡(luò)用于生成一個(gè)給定文本下的 CLIP 圖像嵌入，一個(gè)解碼器decoder在給定圖像編碼的情況下生成圖像。DALL·E2對(duì)解碼器使用擴(kuò)散模型，并對(duì)先驗(yàn)網(wǎng)絡(luò)使用自回歸模型和擴(kuò)散模型進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)后者在計(jì)算上更高效，并產(chǎn)生更高質(zhì)量的樣本。 具體來(lái)說(shuō)：

prior ：在給定文本條件下生成CLIP圖像的編碼，并且文中探索了兩種實(shí)現(xiàn)方式：自回歸和擴(kuò)散，均使用classifier-free guidance，并且發(fā)現(xiàn)擴(kuò)散模型的效果更好：

注意此處目標(biāo)和前面有所不同，prior直接去預(yù)測(cè)圖像特征，而不是預(yù)測(cè)噪聲

decoder:在圖像編碼（和可選的文本標(biāo)題）條件下生成圖像；使用擴(kuò)散模型并利用classifier-free guidance和CLIP guidance在給定CLIP圖像編碼的情況下生成圖像。為了生成高分辨率圖像，訓(xùn)練了兩個(gè)擴(kuò)散上采樣模型，分別用于將圖像從64*64上采樣到256*256、進(jìn)一步上采樣到1024*1024。

將這兩個(gè)部分疊加起來(lái)會(huì)得到一個(gè)生成模型可以在給定標(biāo)題下生成圖像:。第一個(gè)等號(hào)是由于和是一對(duì)一的關(guān)系。

所以DALL·E2可以先用prior采樣出,然后用decoder得到;

DALL·E2能夠生成高分辨率、風(fēng)格多樣的圖片，并且能夠給定一張圖，生成許多風(fēng)格類似的圖片；可以進(jìn)行兩張圖片的插值，實(shí)現(xiàn)風(fēng)格的融合等，在具體數(shù)值上也超越了GLIDE。

3.3 Imagen 下圖是谷歌提出的Imagen[8]的模型架構(gòu)：

Imagen由一個(gè)文本編碼器和一連串條件擴(kuò)散模型組成。

預(yù)訓(xùn)練文本編碼器：語(yǔ)言模型是在文本語(yǔ)料庫(kù)上訓(xùn)練的，該語(yǔ)料庫(kù)比配對(duì)的圖像-文本數(shù)據(jù)要大得多，因此可以接觸到非常豐富和廣泛的文本分布。文中使用Frozen Text Encoder進(jìn)行文本的編碼

擴(kuò)散模型和classifier-free guidance：使用前面提到的classifier-free guidance，將文本編碼作為條件，進(jìn)行圖像的生成。同樣，后面也有兩個(gè)擴(kuò)散模型進(jìn)行分辨率的提升，最終可以生成1024*1024分辨率的圖像。文本到圖像擴(kuò)散模型使用改進(jìn)的U-Net 架構(gòu)，生成64*64 圖像，后面兩個(gè)擴(kuò)散模型使用本文提出Efficient U-Net，可以更節(jié)省內(nèi)存和時(shí)間。

我們使用FID分?jǐn)?shù)在COCO驗(yàn)證集上評(píng)估Imagen，下表展示了結(jié)果。Imagen在COCO上實(shí)現(xiàn)了最好的zero-shot效果，其FID為7.27，優(yōu)于前面的一系列工作。

審核編輯 ：李倩