株洲网站建设团队,关于网站建设方案,wordpress5.2安装教程,品牌营销公司Diffusion model 扩散模型如何工作#xff1f;
输入随机噪声和文本内容#xff0c;通过多次预测并去除图片中的噪声后#xff0c;最终生成清晰的图像。 以上左边这张图#xff0c;刚开始是随机噪声#xff0c;999为时间序列。
为什么不直接预测下一张图片呢#xff1f;…
Diffusion model 扩散模型如何工作
输入随机噪声和文本内容通过多次预测并去除图片中的噪声后最终生成清晰的图像。 以上左边这张图刚开始是随机噪声999为时间序列。
为什么不直接预测下一张图片呢
预测噪声还是简单一点。
如何训练 Noise Predicter呢 具体的方法是自己去按步骤加噪音这样就构建了训练样本。预测目标就是我们加的噪声。 如何加入文字 可以看出增加文字输入即可
DDPM原理 当然具体的噪声loss计算以及去噪公式稍微麻烦一点并不是直接加减。
左图中为噪声的均方误差loss计算。
图中XT为T时刻的有噪图片Xt-1为去噪后的图片。 UNET噪声预测器
对于Stable Diffusion等主流的扩散模型噪声预测部分都是使用UNET。图示结构如下可以看出输入含噪声图片输出噪声 训练代码如下 这里nn_model即为UNET网络支持图片时间和文本上下文嵌入等相关信息。参考代码如下 训练代码 预测代码 DDIM
比DDPM快10倍采样步数到500步以上DDPM更好否则DDIM更好。 Stable Diffusion 其他模型结构如下很类似。 引入VAE变分自编码器 为了加快图像生成过程Stable Diffusion 并不是在像素图像本身上运行扩散过程而是在图像的压缩版本上运行。该论文称其为“Departure to Latent Space”。
https://arxiv.org/abs/2112.10752
这种压缩以及后来的解压缩/绘画是通过自动编码器完成的。自动编码器将图像压缩到潜空间Latents然后使用解码器凭借这些压缩后的数据重建。
实际使用过程中直接调用已经训练好的VAE做编码和解码即可。原理如下 参考Stable Diffusion图解稳定扩散原理 - 知乎
模型细节如下 注意这里的文本也是做了编码为向量。 DIT(Scalable diffusion models with transformers)
基于transformers的可扩展的扩散模型
DIT利用transformer替换了unet.
有什么好处? 更高的Gflops(网络复杂度)具备更好的扩展性scalingtokens扩展网络深度扩展增加参数量就能有更好的性能有较低的t FID of 2.27 即预测效果
transformer统一了NLP和视觉领域SORA正是基于此论文完成主体部分。
什么是FID 即衡量两张图片之间的相似性。
从它的训练和预测代码中我们看到也使用了训练好的VAE模型。
训练时调用encoder 预测时调用decoder SORA
在上一篇文章中已经介绍过
