扩散模型

机器学习中，扩散模型或扩散概率模型是一类潜变量模型，是用变分估计训练的马尔可夫链。^[1]扩散模型的目标是通过对数据点在潜空间中的扩散方式进行建模，来学习数据集的潜结构。计算机视觉中，这意味着通过学习逆扩散过程训练神经网络，使其能对叠加了高斯噪声的图像进行去噪。^[2][3]计算机视觉中使用通用扩散模型框架的3个例子是去噪扩散概率模型、噪声条件得分网络和随机微分方程。^[4]

扩散模型是在2015年提出的，其动机来自非平衡态热力学。^[5]

扩散模型可以应用于各种任务，如图像去噪、图像修复、超分辨率成像、图像生成等等。例如，一个图像生成模型，经过对自然图像的扩散过程的反转训练之后，可从一张完全随机的噪声图像开始逐步生成新的自然图像。比较近的例子有2022年4月13日OpenAI公布的文生图模型DALL-E 2。它将扩散模型用于模型的先验解释器和产生最终图像的解码器。^[6]

数学原理

于所有图像的空间中生成一张图像

考虑图像生成问题。令${\displaystyle x}$ 代表一张图，令${\displaystyle p(x)}$ 为在所有可能图像上的機率分布。若有${\displaystyle p(x)}$ 本身，便可以肯定地说给定的一张图的機率有多大。但这在一般情况下是难以解决的。

大多数时候，我们并不想知道某个图像的绝对機率，相反，我们通常只想知道某个图像与它的周围相比，機率有多大：一张猫的图像与它的小变体相比，機率哪个大？如果图像里有一根、两根或三根胡须，或者加入了一些高斯噪声，機率会更大吗？

因此，我们实际上对${\displaystyle p(x)}$ 本身不感兴趣，而对${\displaystyle \nabla _{x}\ln p(x)}$ 感兴趣。这有两个效果：

• 其一，我们不再需要标准化${\displaystyle p(x)}$ ，而是可以用任何${\displaystyle {\tilde {p}}(x)=Cp(x)}$ ，其中${\displaystyle C=\int {\tilde {p}}(x)dx>0}$ 是任意常数，我们不需要去关心它。
• 其二，我们正在比较${\displaystyle p(x)}$ 的邻居${\displaystyle p(x+dx)}$ ，通过${\displaystyle {\frac {p(x)}{p(x+dx)}}=e^{-\langle \nabla _{x}\ln p,dx\rangle }}$ 

令分数函数为${\displaystyle s(x):=\nabla _{x}\ln p(x)}$ ，然后考虑我们能对${\displaystyle s(x)}$ 做什么。

实际上，${\displaystyle s(x)}$ 允许我们用随机梯度朗之万动力学从${\displaystyle p(x)}$ 中取样，这本质上是马尔可夫链蒙特卡洛的无限小版本。^[2]

学习分数函数

分数函数可通过加噪-去噪学习。^[1]

主要变体

分类指导器

假设我们希望不是从整个图像的分布中取样，而是以图像描述为条件取样。我们不想从一般的图像中取样，而是从符合描述“红眼睛的黑猫”的图片中取样。一般来说，我们想从分布${\displaystyle p(x|y)}$ 中取样，其中${\displaystyle x}$ 的范围是图像，${\displaystyle y}$ 的范围是图像的类别（对y而言，“红眼黑猫”的描述过于精细，“猫”又过于模糊）。

从噪声信道模型的角度来看，我们可以将这一过程理解如下：为生成可描述为${\displaystyle y}$ 的图像${\displaystyle x}$ ，我们设想请求者脑海中真有一张图像${\displaystyle x}$ ，但它经过多次加噪，出来的是毫无意义可言的乱码，也就是${\displaystyle y}$ 。这样一来图像生成只不过是推断出请求者心中的${\displaystyle x}$ 是什么。

换句话说，有条件的图像生成只是“从文本语言翻译成图像语言”。之后，像在噪声信道模型中一样，我们可以用贝叶斯定理得到

$${\displaystyle p(x|y)\propto p(y|x)p(x)}$$

 

也就是说，如果我们有一个包含所有图像空间的好模型，以及一个图像到类别的好翻译器，我们就能“免费”得到一个类别到图像的翻译器，也就是文本到图像生成模型。

SGLD使用

$${\displaystyle \nabla _{x}\ln p(x|y)=\nabla _{x}\ln p(y|x)+\nabla _{x}\ln p(x)}$$

 

其中${\displaystyle \nabla _{x}\ln p(x)}$ 是分数函数，如上所述进行训练，用可微图像分类器便可以找到${\displaystyle \nabla _{x}\ln p(y|x)}$ 。

温度

分类器引导的扩散模型会从${\displaystyle p(x|y)}$ 中取样，它集中在最大后验概率${\displaystyle \arg \max _{x}p(x|y)}$ 周围。如果我们想迫使模型向最大似然估计 ${\displaystyle \arg \max _{x}p(y|x)}$ 的方向移动，可以用

$${\displaystyle p_{\beta }(x|y)\propto p(y|x)^{\beta }p(x)}$$

 

其中${\displaystyle \beta >0}$ 可解释为逆温度，在扩散模型研究中常称其为制导尺度（guidance scale）。较高的${\displaystyle \beta }$ 会迫使模型在更靠近${\displaystyle \arg \max _{x}p(y|x)}$ 的分布中采样。这通常会提高生成图像的品質。^[7]

这可以简单地通过SGLD实现，即

$${\displaystyle \nabla _{x}\ln p_{\beta }(x|y)=\beta \nabla _{x}\ln p(y|x)+\nabla _{x}\ln p(x)}$$

 

无分类指导器

如果我们没有分类器${\displaystyle p(y|x)}$ ，我们仍可以从图像模型本身提取一个：^[8]

$${\displaystyle \nabla _{x}\ln p_{\beta }(x|y)=(1-\beta )\nabla _{x}\ln p(x)+\beta \nabla _{x}\ln p(x|y)}$$

 

这样的模型通常要在训练时提供${\displaystyle (x,y)}$ 和${\displaystyle (x,None)}$ ，这样才能让它同时为${\displaystyle \nabla _{x}\ln p(x|y)}$ 和${\displaystyle \nabla _{x}\ln p(x)}$ 建模。

这是GLIDE^[9]、DALL-E^[10]和Google Imagen^[11]等系统的重要组成部分。

另见

• 扩散过程
• 马尔可夫链
• 变分贝叶斯方法
• 变分自编码器

阅读更多

• Guidance: a cheat code for diffusion models （页面存档备份，存于互联网档案馆）. Good overview up to 2022.

参考文献

1. Ho, Jonathan; Jain, Ajay; Abbeel, Pieter. Denoising Diffusion Probabilistic Models. 2020-06-19. arXiv:2006.11239  . 
2. Song, Yang; Sohl-Dickstein, Jascha; Kingma, Diederik P.; Kumar, Abhishek; Ermon, Stefano; Poole, Ben. Score-Based Generative Modeling through Stochastic Differential Equations. 2021-02-10. arXiv:2011.13456   [cs.LG]. 
3. Gu, Shuyang; Chen, Dong; Bao, Jianmin; Wen, Fang; Zhang, Bo; Chen, Dongdong; Yuan, Lu; Guo, Baining. Vector Quantized Diffusion Model for Text-to-Image Synthesis. 2021. arXiv:2111.14822   [cs.CV]. 
4. Croitoru, Florinel-Alin; Hondru, Vlad; Ionescu, Radu Tudor; Shah, Mubarak. Diffusion models in vision: A survey. 2022. arXiv:2209.04747   [cs.CV]. 
5. Sohl-Dickstein, Jascha; Weiss, Eric; Maheswaranathan, Niru; Ganguli, Surya. Deep Unsupervised Learning using Nonequilibrium Thermodynamics (PDF). Proceedings of the 32nd International Conference on Machine Learning (PMLR). 2015-06-01, 37: 2256–2265 [2023-02-24]. （原始内容 (PDF)于2023-04-05） （英语）. 
6. Ramesh, Aditya; Dhariwal, Prafulla; Nichol, Alex; Chu, Casey; Chen, Mark. Hierarchical Text-Conditional Image Generation with CLIP Latents. 2022. arXiv:2204.06125   [cs.CV]. 
7. Dhariwal, Prafulla; Nichol, Alex. Diffusion Models Beat GANs on Image Synthesis. 2021-06-01. arXiv:2105.05233   [cs.LG]. 
8. Ho, Jonathan; Salimans, Tim. Classifier-Free Diffusion Guidance. 2022-07-25. arXiv:2207.12598   [cs.LG]. 
9. Nichol, Alex; Dhariwal, Prafulla; Ramesh, Aditya; Shyam, Pranav; Mishkin, Pamela; McGrew, Bob; Sutskever, Ilya; Chen, Mark. GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models. 2022-03-08. arXiv:2112.10741   [cs.CV]. 
10. Ramesh, Aditya; Dhariwal, Prafulla; Nichol, Alex; Chu, Casey; Chen, Mark. Hierarchical Text-Conditional Image Generation with CLIP Latents. 2022-04-12. arXiv:2204.06125   [cs.CV]. 
11. Saharia, Chitwan; Chan, William; Saxena, Saurabh; Li, Lala; Whang, Jay; Denton, Emily; Ghasemipour, Seyed Kamyar Seyed; Ayan, Burcu Karagol; Mahdavi, S. Sara; Lopes, Rapha Gontijo; Salimans, Tim; Ho, Jonathan; Fleet, David J.; Norouzi, Mohammad. Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding. 2022-05-23. arXiv:2205.11487   [cs.CV].