Stable Diffusion详解
前言Stable Diffusion在图像生成方面取得了很大的成功，其核心原理是LDM（Latent Diffusion Models），在论文《High-Resolution Image Synthesis with Latent Diffusion Models》中被提出，使用潜在扩散模型举行高分辨率图像生成，发表在CVPR2022上。LDM作者和VQGAN的作者类似。接下来对LDM这篇论文举行详细介绍。
一、LDM原理
Diffusion Model（DM）的练习和推理速度太慢，需要占用大量的盘算资源。因此LDM想办理的就是在不降低DM的图像生成能力的基础上降低盘算量。
https://i-blog.csdnimg.cn/direct/af46fa86295b4100a238fb2afd6886c2.png
论文中总结到，对于基于最大似然的模型，练习可以分为两部分，先是举行感知压缩（perceptual compression），然后举行语义压缩（semantic compression）。（图像感知指的是图像的细节，图像语义指的是图像的主体是什么）。对于DM来说，在举行图像生成的时候，在前面的步骤中先是举行图像的语义生成，也就是确定图像的内容大概是什么东西，接下来的很多步骤都是举行图像的感知生成，也就是负责图像的细节生成。由于DM是在像素层面举行生成，所以盘算量很大，而且DM的很多盘算量都集中在图像的感知（细节）生成方面。
基于此LDM的目标就是想让DM只负责图像语义方面，而图像的感知（细节）方面交给其他的模型去负责。也就是让DM在潜在空间上去练习和推理。
二、模型布局
https://i-blog.csdnimg.cn/direct/ae1843b24b904203a5b137e34c823f35.png
LDM的模型布局如上图所示。其主体是由自编码器部分（粉色）、DM部分（绿色）以及条件机制（灰色）三部分组成。在举行图像生成时，起首使用DM举行扩散得到具有语义信息的特征图，然后使用自编码器的解码器举行图像的感知生成得到最终的图片。
这样做有三个利益：1.DM在低维潜在空间举行扩散，盘算量减少。2.使用了DM中的UNet模型的归纳偏置，这使得模型可以得到图像的空间布局，不用像之前VQVAE,VQGAN对于输入图像的极致压缩而失去了图像原有的空间布局。3.得到了一个通用的压缩模型，其潜在空间可以用于练习多个生成模型。接下里对LDM的三个部分分别举行介绍。
图像感知压缩
图像感知压缩模型（粉色部分）是基于之前的VQGAN工作，由自编码器组成，在练习时结合了感知损失和对抗损失，克制了只使用L1或L2损失引入的含糊现象。
对于输入的图像，编码器将其举行编码变更到潜在空间，然后解码器在潜在空间重构图像。为了克制高方差分布的潜在空间，LDM引入了两种正则化。一种是KL正则化，一种是VQ正则化。（在VQGAN中通过将潜在空间举行离散化克制高方差，而LDM的潜在空间是连续的。）
VQGAN在潜在空间举行自回归建模生成采样的时候，是使用的Transformer模型，相当于采样的是一维的序列，没有图片的空间布局。而LDM在潜在空间举行采样时，是由DM生成的具有归纳偏置的二维分布，具有空间特征布局。因此，LDM生成的图像更好的保存了细节部分。
同时，VQGAN由于使用的是Transformer举行建模采样，受Transformer自身特性影响，其序列长度是一维的且不会很长，这就导致最后将一维序列Reshape成二维特征图的时候特征图尺寸不会很大，所以其采样是高度压缩的，自然生成的图像失去了很多细节。而LDM使用DM生成的本身就是具有归纳偏置的二维特征采样，所以具有生成结果好。
DM
DM模型就是使用经典的DDPM模型，只不外扩散和采样从图像的像素空间转移到了潜在空间。对于DDPM的详细介绍可以看一下这篇博文：
DDPM详解
通过在潜在空间练习DM，可以使DM集中于图片中重要的语义信息减少盘算量。
条件机制
在举行条件生成时是在DM的UNet中使用cross-attention机制实现。为了对差别的模态举行处理，使用差别使用的专业编码器 τ θ \tau_\theta τθ（上图灰色部分）对条件举行编码得到 τ θ ( y ) \tau_\theta(y) τθ(y)，然后将其输入到UNet中的cross-attention作交织注意力盘算。在举行条件生成的时候，LDM中的DM练习可以表示为下述公式：
https://i-blog.csdnimg.cn/direct/eb481e06c37a48fe9e99f7da0952e576.png
三、模型练习与推理
LDM的练习与VQGAN一样是分为两部分。起首是先练习感知自编码器（粉色部分），接着在潜在空间上练习DM。
在举行推理的时候，先使用DM在潜在空间举行采样得到特征图，然后将其给解码器举行最终的图片生成。
总结
LDM通过在潜在空间举行DM练习采样，在没有降低图像生成质量的情况下大大进步了练习和推理速度，同时基于cross-attention条件机制，LDM与当时的SOTA方法相比取得了很好的结果。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]