扩散模型求解复杂反应（Diffusion Model（扩散模型））

一  
    
    
    
    
、功能（解决问题）

1.根据文字生成图片

2.根据给定的图片生成相似风格画作

3.图片延展

二

     


     


     


     


 、发展过程

1.2015年斯坦福大学四位研究者提出

2.2020年底加州伯克利学者改进

3.2021年OpenAI结合CLIP做了进一步优化  
    
    
    
    
，实现了诸多AI作画功能

三 




 




 




 




 、应用：Dalle2（2021-2022）

目前非常火爆的AI作画工具  
    
    
    
    
。

DALL·E 2

四  

   

   

   

   

、类比（图像生成模型）

当前有四大生成模型：生成对抗模型

     

     

     

     

、变微分自动编码器  




  




  




  




  、流模型以及扩散模型

     


     


     


     


 。扩散模型（diffusion models）是当前深度生成模型中新SOTA（State of the art） 




 




 




 




 。扩散模型在图片生成任务中超越了原SOTA：GAN

     


     


     


     


 ，并且在诸多应用领域都有出色的表现  

   

   

   

   

。

1.生成对抗网络（GAN）【生成器+判别器】

主要和GAN做一个对比 




 




 




 




 ，目前主流的为Diffusion  

   

   

   

   

，原因如下

     

     

     

     

。

1）GAN要训练双网络

     

     

     

     

，难度较大  




  




  




  




  ，容易不收敛  


  


  


  


  

，多样性差（训练生成器）
     
     
     
     
，关注方向为骗过判别器（关注点偏）  




  




  




  




  。

2）Diffusion网络方式更简单
   




   




   




   




  ，GAN不好观察损失  


  


  


  


  

。

2.变微分自编码器（VAE）

3.流模型（Flow-based model）

五  


  


  


  


  

、原理：扩散现象

物理：物质分子从高浓度向低浓度区域转移 



 



 



 



 

，直到均匀分布
     
     
     
     
。

AI：由熵增定律驱动                     ，先给一幅图片增加噪声

    




    




    




    




  ，让其变得极其混乱





















，再训练AI把混乱的照片变回有序（实现图片生成）
   




   




   




   




  。

六
     
     
     
     
、实现方式

 1.前向过程（加噪）

1）不断往输入数据中增加噪声                      ，最后变为纯噪声（#噪声（Noise）：是真实标记与数据集中的实际标记间的偏差 



 



 



 



 

。）                     。

2）每一个时刻都要增加高斯噪声,后一时刻都是前一时刻增加噪声得到

    




    




    




    




  。

3）这个过程可以看做不断构建标签的过程





















。

       使用马尔科夫链进行的前向扩散过程

     



     



     



     



  ，通过每次加入一点噪声生成一个样本

高斯分布：

前向过程是不断加噪的过程




















，加入的噪声随着时间步增加增多  
    
    
    
    
，根据马尔可夫定理

     


     


     


     


 ，加噪后的这一时刻与前一时刻的相关性最高也与要加的噪音有关（是与上一时刻的影响大还是要加的噪音影响大 




 




 




 




 ，当前向时刻越往后  

   

   

   

   

，噪音影响的权重越来越大了

     

     

     

     

，因为刚开始加一点噪声就有效果  




  




  




  




  ，之后要加噪声越来越多 ）

2.反向过程（去噪）

        从一个随机噪声开始  


  


  


  


  

，逐步还原成不带噪音的原始图片——去噪过程
     
     
     
     
，逆向过程其实时生成数据的过程                      。

 ZT其实就是我们要估计的每个时刻的噪声：

1）无法直接求解
   




   




   




   




  ，需要训练一个模型计算

2）模型输入参数有2个 



 



 



 



 

，分别为当前时刻的分布和时刻t

七
   




   




   




   




  、参考

What are Diffusion Models? | LilLog

https://openreview.net/attachment?id=2LdBqxc1Yv&name=supplementary_material

由浅入深了解Diffusion Model - 知乎

https://arxiv.org/abs/2204.00227

Variational Diffusion Models | OpenReview

Diffusion model—扩散模型_原来如此-的博客-CSDN博客_扩散模型

【Diffusion模型】由浅入深了解Diffusion                     ，不仅仅是震撼

    




    




    




    




  ，感受它带给我们的无限可能！！（超详细的保姆级入门教程）_哔哩哔哩_bilibili