扩散模型 – Stable Diffusion

4 Stable Diffusion

​ Stable Diffusion 是由 Stability AI 开发的开源分散模型。Stable Diffusion 能够完成多模态任务，包括：文字生成图画（text2img）、图画生成图画（img2img）等。

4.1 Stable Diffusion 的组成部分

​ Stable Diffusion 由两部分组成：

• 文本编码器：提取文本 prompt 的信息

• 图画生成器：依据文本 embedding 生成图画

  • 图画信息创立器：多步分散进程。步长是其中一个超参数
  • 图画解码器：只在最终生成图画时运转一次

• **文本编码器：**由一种特别的 Transformer 编码器组成，例如：OpenAI 的 Clip。

• 图画信息创立器：由自编码器（通常是 U-Net）和噪音机制组成。

• 图画解码器：由自编码器的解码器组成。

​ Stable Diffusion Pipeline：

• Clip：文本信息编码
  • 输入：文本
  • 输出：77 token 的 embedding 向量，每个包括 768 维
• U-Net + Noise Scheduler：逐步把信息分散至潜空间中
  • 输入：文本 embedding 和由噪音组成的多维 tensor
  • 输出：处理后的 tensor
• **自编码器的解码器：**运用分散/处理后的信息生成图画
  • 输入：经过处理的 tensor(shape: (4, 64, 64))
  • 输出：生成图画（shape:(3, 512, 512))

4.2 分散进程（图画信息创立器）

​ 分散进程产生在图画信息创立器中。该进程**一步步（step by step）**进行。初始的输入为文本 embedding 和一个随机的图画信息数组（也称为潜变量 latents）。每一步分散的输入是潜变量，输出是信息进一步丰富的潜变量。最终的输出是一张图画。如图：

4.2.1 分散进程的作业原理

​ 分散进程的原理其实是练习了一个根据 U-Net 和噪音等级机制（schedule）的噪音等级预测器。

分散进程包括如下阶段：

• 数据集准备阶段：生成练习数据
  • 输入：包括明晰图画的数据集、不同级别的噪音等级机制
  • 流程：从数据集中抽样得到明晰图画，从噪音等级机制中抽样得到某种级别的噪音样本，把该噪音和图画融合
  • 输出：带有某种等级的噪音图画
• 练习阶段：练习噪音等级预测器
  • 输入：把上一阶段中的噪音图画和明晰图画作为输入数据，对应的噪音样本作为标签。
  • 练习：选用 U-Net 作为神经网络，选用监督 loss 对输入进行学习
  • 输出：某种等级的噪音样本
• 推断阶段：去噪并生成图画
  • 输入：练习完成的 U-Net、某个噪音图画
  • 推断：U-Net 输出该噪音图画的噪音等级（噪音样本）
  • 输出：把噪音图画减去噪音样本，得到去噪图画。不断重复该进程，最终得到类似明晰图画的图画（并不一定完全相同）

​ 生成图画的结果依赖于练习数据集。例如：Stable Diffusion 选用了带有艺术作用的 LAION Aesthetics 数据集，因而生成图画也具有艺术作用。

4.3 提速：在潜空间分散

​ Stable Diffusion 的分散进程是在潜空间中开展的，而不是整个图画像素，这样的紧缩进程加快了图画生成的速度。

​ 该紧缩进程经过**自编码器（autoencoder）**完成。自编码器的编码器把图画紧缩至潜空间，并用解码器依据紧缩信息重建图画。因而，在前向分散进程中，等级噪音应用于潜变量，而不是图画像素。所以 U-Net（噪音预测器）预测的噪音也是以潜变量的形式表明的。

​ 前向分散进程就是给明晰图画不断增加噪音的进程，也是生成数据集练习噪音预测器的进程，当噪音预测器练习完毕后，就能够运转反向抽样进程来去噪并重建图画。

​ 在 Stable Diffusion、LDM（潜变量分散模型） 的论文中，该流程如下：

4.4 Transformer（文本编码器）

Transformer 模型依据文本输入生成 token embedding。

​ Stable Diffusion 的开源模型中运用的是 OpenAI 的 CLIP（根据 GPT），而其论文中运用的是 Google 的 BERT。两者都是 Transformer 的编码器（encoder）。

​ 有作业指出：文本编码器的挑选关于分散模型的表现比图画生成器的挑选更重要。

4.4.1 CLIP 的练习进程

​ CLIP 的练习流程为：

• 输入：练习数据为网页爬取的图画和其对应 HTML 标签特点 alt，也就是图画 + 注释（caption）
• 练习：CLIP 分别运用图画编码器和文本编码器把两种输入数据转化为图画 embedding 和文本 embedding，运用余弦相似度作为 loss 和标签 embeddings 进行比较并更新参数
• 输出：练习完毕的 CLIP 接收图画和文本描述并生成对应的 embeddings

4.5 参加文本数据

​ 有了文本编码器后就要给分散模型参加文本数据。

​ 下面是有、无文本的分散进程比照：

​ 参加文本数据后，噪音预测器（U-Net）也要产生相应变化，主要是在每个 ResNet 块后增加注意力运算：

参考

• Ling Yang et al. “Diffusion Models: A Comprehensive Survey of Methods and Applications .” arXiv 2023.
• Jonathan Ho et al. “Denoising Diffusion Probabilistic Models”. NeurIPS 2020.
• Jiaming Song et al. “Denoising Diffusion Implicit Models”. ICLR 2021.
• Alex Nichol et al. “Improved Denoising Diffusion Probabilistic Models”. ICML 2021.
• Robin Rombach et al. “High-Resolution Image Synthesis with Latent Diffusion Models”. arXiv 2022.
• Prafulla Dhariwal et al. Diffusion “Models Beat GANs on Image Synthesis”. NeurIPS 2021.
• Jonathan Ho et al. “Classifier-Free Diffusion Guidance”. NeurIPS Workshop 2021.
• Tim Salimans et al. “Progressive Distillation for Fast Sampling of Diffusion Models”. ICLR 2022.
• Chenlin Meng et al. On Distillation of Guided Diffusion Models”. CVPR 2023.