來源：3D視覺工坊

1. 引言

擴(kuò)散模型的迅速崛起是過去幾年機(jī)器學(xué)習(xí)領(lǐng)域最大的發(fā)展之一。在這本簡單易懂的指南中，學(xué)習(xí)你需要知道的關(guān)于擴(kuò)散模型的一切。

擴(kuò)散模型是生成模型，在過去的幾年中已經(jīng)獲得了顯著的流行，并且有很好的理由。20世紀(jì)20年代發(fā)表的幾篇開創(chuàng)性論文單獨(dú)的向世界展示了擴(kuò)散模型的能力，比如擊敗GANs關(guān)于圖像合成。

鑒于最近擴(kuò)散模型的成功浪潮，許多機(jī)器學(xué)習(xí)實(shí)踐者肯定對它們的內(nèi)部工作方式感興趣。在本文中，我們將研究擴(kuò)散模型的理論基礎(chǔ)，關(guān)于擴(kuò)散模型的更直觀的解釋，請隨意查看我們的文章。

2. 擴(kuò)散模型簡介

擴(kuò)散模型是生成模型，意味著它們被用來生成與它們被訓(xùn)練的數(shù)據(jù)相似的數(shù)據(jù)?；旧?，擴(kuò)散模型的工作原理是，通過連續(xù)添加高斯噪聲，銷毀訓(xùn)練數(shù)據(jù)。然后學(xué)習(xí)去噪的過程，來恢復(fù)數(shù)據(jù)。經(jīng)過訓(xùn)練后，我們可以通過所學(xué)習(xí)的去噪過程，使用擴(kuò)散模型來生成數(shù)據(jù)。

更具體地說，擴(kuò)散模型是一種隱變量模型，它使用固定的馬爾可夫鏈映射到隱空間。該鏈逐漸向數(shù)據(jù)中添加噪聲，以獲得近似的后驗(yàn)概率q(x1:T|x0)，其中x1、….、x是與x0具有相同維數(shù)的潛變量。在下圖中，我們看到這樣的馬爾可夫鏈表現(xiàn)為圖像數(shù)據(jù)。

最終，圖像會(huì)漸近地轉(zhuǎn)化為純高斯噪聲。訓(xùn)練擴(kuò)散模型的目標(biāo)是學(xué)習(xí)反向過程--即訓(xùn)練p(xt-1|xt)。通過沿著這條鏈反向遍歷，我們可以生成新的數(shù)據(jù)。

3. 擴(kuò)散模型的好處

如上所述，近年來對擴(kuò)散模型的研究呈爆炸式增長。受非平衡熱力學(xué)的啟發(fā)，擴(kuò)散模型目前產(chǎn)生最先進(jìn)的圖像質(zhì)量，其示例如下所示：

除了尖端的圖像質(zhì)量，擴(kuò)散模型還有許多其他好處，包括不需要對抗性訓(xùn)練。對抗性訓(xùn)練的困難是有據(jù)可查的；而且，如果存在非對抗性的替代方案，表現(xiàn)和訓(xùn)練效率相當(dāng)，通常最好利用它們。關(guān)于培訓(xùn)效率的話題，擴(kuò)散模型也有額外的好處可擴(kuò)展性和并行性。

雖然擴(kuò)散模型似乎是憑空產(chǎn)生結(jié)果，但有許多仔細(xì)而有趣的數(shù)學(xué)選擇和細(xì)節(jié)為這些結(jié)果提供了基礎(chǔ)，最佳實(shí)踐仍在文獻(xiàn)中不斷發(fā)展?，F(xiàn)在讓我們更詳細(xì)地看看支撐擴(kuò)散模型的數(shù)學(xué)理論。

4. 擴(kuò)散模型-深入

如上所述，擴(kuò)散模型包括正向過程(或者擴(kuò)散過程)，其中一個(gè)數(shù)據(jù)(通常是一個(gè)圖像)是漸進(jìn)的噪聲，和翻轉(zhuǎn)過程(或者反向擴(kuò)散過程)，其中噪聲從目標(biāo)分布轉(zhuǎn)換回樣本。

當(dāng)噪聲水平足夠低時(shí)，正向過程中的采樣鏈轉(zhuǎn)換可以設(shè)置為條件高斯型。將這一事實(shí)與馬爾可夫假設(shè)相結(jié)合，導(dǎo)致正向過程的簡單參數(shù)化：

其中β是方差表，(學(xué)習(xí)或固定)，如果行為良好，確保xT是近似的各向同性高斯為足夠大的T。給定馬爾可夫假設(shè)，潛在變量的聯(lián)合分布是高斯條件鏈轉(zhuǎn)移的產(chǎn)物：

如前所述，擴(kuò)散模型的“魔法”在于逆向過程。在訓(xùn)練過程中，模型學(xué)習(xí)逆向擴(kuò)散過程以生成新數(shù)據(jù)。從純高斯開始，噪聲p(xT):=N(xT, 0, I)，模型學(xué)習(xí)聯(lián)合分布p(x0:T)為

其中學(xué)習(xí)高斯躍遷的時(shí)間相關(guān)參數(shù)。特別要注意的是，馬爾可夫公式斷言給定的反向擴(kuò)散轉(zhuǎn)移分布僅取決于前一時(shí)間步(或后一時(shí)間步，取決于你如何看待它)：

5. 訓(xùn)練

擴(kuò)散模型通過以下方式訓(xùn)練找到使訓(xùn)練數(shù)據(jù)的可能性最大化的反向馬爾可夫轉(zhuǎn)移。實(shí)際上，訓(xùn)練等價(jià)地包括最小化負(fù)對數(shù)似然的變分上限。

我們試圖根據(jù) Kullback-Leibler(KL)散度重寫 Lvlbin。KL散度是一個(gè)不對稱統(tǒng)計(jì)距離度量一個(gè)概率分布P與參考分布0的差異。我們感興趣的是制定KL散度的Lvlbin 項(xiàng)，因?yàn)槲覀兊鸟R爾可夫鏈中的轉(zhuǎn)移分布是正態(tài)分布，正態(tài)分布之間的KL 散度具有封閉形式。

KL散度是什么？連續(xù)分布KL發(fā)散的數(shù)學(xué)形式為

雙線表示該功能是不關(guān)于它的參數(shù)是對稱的。

下面你可以看到不同分布的KL散度P(藍(lán)色)來自參考分布Q(紅色)。綠色曲線表示上述KL散度定義中積分內(nèi)的函數(shù)，曲線下的總面積表示KL散度的值P從Q在任何給定的時(shí)刻，也是用數(shù)字顯示的一個(gè)值。

如前所述，根據(jù)KL的差異幾乎完全重寫Lvlb是可能的：

在 Lt-1中，將前向過程的后驗(yàn)概率x0條件化，得到一個(gè)易于處理的公式，使得所有 KL散度都是高斯之間的比較。這意味著可以使用封閉形式的表達(dá)式而不是蒙特卡羅估計(jì)來精確計(jì)算散度

6. 模型選擇

隨著我們的目標(biāo)函數(shù)的數(shù)學(xué)基礎(chǔ)的建立，我們現(xiàn)在需要就如何實(shí)現(xiàn)我們的擴(kuò)散模型作出幾個(gè)選擇。對于前向過程，唯一需要的選項(xiàng)是定義方差時(shí)間表，其值通常在前向過程中增加。

對于反向過程，我們應(yīng)選擇高斯分布參數(shù)化/模型架構(gòu)。請注意Diffusion模型的高度靈活性--我們架構(gòu)的唯一要求是其輸入和輸出具有相同的維數(shù)。

我們將在下面更詳細(xì)地探討這些選擇的細(xì)節(jié)。

前向流程與LT

如上所述，關(guān)于前向過程，我們必須定義方差進(jìn)度表。特別是，我們將它們設(shè)置為時(shí)間相關(guān)的常數(shù)，忽略了它們可以被學(xué)習(xí)的事實(shí)。無論選擇什么特定的值，方差表固定的事實(shí)導(dǎo)致LT成為我們可學(xué)習(xí)參數(shù)集的一個(gè)常數(shù)使我們可以在訓(xùn)練時(shí)忽略它。

逆向過程和L 1:T -1

現(xiàn)在我們討論定義反向過程所需要的選擇，從上面我們定義的反向馬爾可夫轉(zhuǎn)換為高斯:

我們簡單地設(shè)置：

也就是說，我們假設(shè)多元正態(tài)分布是獨(dú)立正態(tài)分布的乘積，這些獨(dú)立正態(tài)分布具有相同的方差，方差值可以隨時(shí)間變化。我們將這些方差設(shè)定為與我們的正向過程方差表相等。

其中差值中的第一個(gè)項(xiàng)是xt和x0的線性組合，該組合取決于方差。時(shí)間表決定這個(gè)函數(shù)的確切形式與我們的目的無關(guān)。最直接的參數(shù)化是預(yù)測擴(kuò)散后均值。重要的是，預(yù)測任何給定時(shí)間步數(shù)的噪聲成分會(huì)產(chǎn)生更好的結(jié)果。

這導(dǎo)致了下面的替代損失函數(shù)，能帶來更穩(wěn)定的訓(xùn)練和更好的結(jié)果:

還要注意擴(kuò)散模型的這種公式化與基于朗之萬動(dòng)力學(xué)的分?jǐn)?shù)匹配生成模型的聯(lián)系。事實(shí)上，似乎擴(kuò)散模型和基于分?jǐn)?shù)的模型可能是同一枚硬幣的兩面，類似于基于波的量子力學(xué)和基于矩陣的量子力學(xué)的獨(dú)立和并行發(fā)展，揭示了同一現(xiàn)象的兩個(gè)等效公式。

7. 網(wǎng)絡(luò)體系結(jié)構(gòu)

雖然我們簡化的損失函數(shù)試圖訓(xùn)練一個(gè)模型。我們還沒有定義這個(gè)模型的架構(gòu)。請注意僅僅對模型的要求是它的輸入和輸出維數(shù)相同。鑒于這種限制，圖像擴(kuò)散模型通常用類似U-Net的架構(gòu)來實(shí)現(xiàn)就不足為奇了。

8. 反向過程解碼器和L0

沿著相反過程的路徑由連續(xù)條件高斯分布下的許多變換組成。在反向過程的最后，回想一下我們試圖生成一個(gè)圖像，由整數(shù)像素值組成。因此，我們必須設(shè)計(jì)一種方法來獲得離散(對數(shù))可能性對于所有像素中的每個(gè)可能的像素值。

實(shí)現(xiàn)這一點(diǎn)的方法是將反向擴(kuò)散鏈中的最后一個(gè)轉(zhuǎn)換設(shè)置為獨(dú)立離散解碼器。為了確定給定圖像的可能性，我們首先在數(shù)據(jù)維度之間強(qiáng)加獨(dú)立性:

其中，D是數(shù)據(jù)的維數(shù)，上標(biāo)i表示提取一個(gè)坐標(biāo)。現(xiàn)在的目標(biāo)是確定在給定像素的分布下，每個(gè)整數(shù)值對給定像素的概率。在時(shí)間t=1時(shí)，微帶噪聲圖像中對應(yīng)像素的可能值:

其中，t=1的像素分布由以下多元高斯分布得出，其對角線協(xié)方差矩陣允許我們將分布分解為多元高斯分布的乘積，對每個(gè)數(shù)據(jù)維度:

我們假設(shè)圖像由 0、1、…255(與標(biāo)準(zhǔn) RGB圖像相同)中的整數(shù)組成，這些整數(shù)已被線性縮放為 【-1,1】。然后，我們將實(shí)線分解為小的“桶”，其中，對于給定的縮放像素值x，該范圍內(nèi)的桶為【x-1/255，x+1/256】。給定x1中相應(yīng)像素的一元高斯分布像素值x的概率是圍繞x中心桶內(nèi)的一元高斯分布的面積。推薦課程：機(jī)械臂抓取從入門到實(shí)戰(zhàn)課程（理論+源碼）。

您可以在下面看到每個(gè)桶的區(qū)域以及它們的平均-0高斯概率，在這種情況下，平均像素值為255/2(一半亮度)。紅色曲線表示t=1圖像中特定像素的分布，而區(qū)域給出t=0圖像中相應(yīng)像素值的概率。

給定每個(gè)像素的t=0像素值，p(x0|x1)的值就是它們的乘積。這個(gè)過程簡潔地用下面的方程來描述:

給出p(xo|x1)的這個(gè)方程式，我們可以計(jì)算Lvb的最后一個(gè)項(xiàng)，這個(gè)項(xiàng)不是用KL散度來表示的:

9. 最終目標(biāo)

正如在上一節(jié)中所提到的，預(yù)測圖像在給定時(shí)間步數(shù)下的噪聲成分會(huì)產(chǎn)生最佳結(jié)果。最終，他們使用以下目標(biāo):

因此，我們的擴(kuò)散模型的訓(xùn)練和采樣算法可以簡潔地體現(xiàn)在下圖中:

10. 擴(kuò)散模型總結(jié)

我們詳細(xì)探討了擴(kuò)散模型的理論，很容易陷入數(shù)學(xué)細(xì)節(jié)，因此我們在下面指出了這一節(jié)中最重要的幾點(diǎn)，以便從鳥瞰的角度保持我們的方向:

1.我們的擴(kuò)散模型參數(shù)化為馬爾可夫鏈，這意味著我們的潛變量x1，…，xT僅依賴于之前(或后續(xù))時(shí)間步。

2.在馬爾可夫鏈的過渡分布是高斯，其中的正向過程需要方差調(diào)度，和反向過程的參數(shù)被學(xué)習(xí)。

3.擴(kuò)散過程確保xT是漸近分布的各向同性高斯。

4.在我們的情況下，方差時(shí)間表是固定的，但也可以學(xué)習(xí)。對于固定的時(shí)間表遵循幾何級數(shù)可能比線性級數(shù)提供更好的結(jié)果。在這兩種情況下，方差通常隨著時(shí)間的推移而增加。

5.擴(kuò)散模型非常靈活，允許使用輸入和輸出維數(shù)相同的任何體系結(jié)構(gòu)，許多實(shí)現(xiàn)使用類似于U-Net的體系結(jié)構(gòu)。

6.訓(xùn)練目標(biāo)是使訓(xùn)練數(shù)據(jù)的可能性最大化。這表現(xiàn)在調(diào)整模型參數(shù)以最小化負(fù)對數(shù)似然的變分上界。

7.由于我們的馬爾可夫假設(shè)，目標(biāo)函數(shù)中幾乎所有的項(xiàng)都可以轉(zhuǎn)換為KL散度。這些值變得可信的計(jì)算，因?yàn)槲覀兪褂酶咚?，因此省略了?zhí)行蒙特卡羅近似的需要。

8.最終，使用一個(gè)簡化的訓(xùn)練目標(biāo)來訓(xùn)練一個(gè)預(yù)測給定潛變量的噪聲分量的函數(shù)會(huì)產(chǎn)生最佳和最穩(wěn)定的結(jié)果。

9.作為反向擴(kuò)散過程的最后一步，使用離散解碼器來獲取像素值之間的似然率。