【扩散模型】2、DDPM | 去噪扩散概率模型开山之作_扩散模型开山之作

论文：Denoising Diffusion Probabilistic Models

代码：https://github.com/hojonathanho/diffusion

stable diffusion 代码实现：https://github.com/CompVis/stable-diffusion/blob/main/ldm/models/diffusion/ddpm.py

出处：伯克利

时间：2020.06

数学基础知识

假设均值为 0，方差为 1 的高斯分布，则对应的噪声示例如下，就是在 0 附近分布的一些点

一、背景

扩散模型是一种用于描述系统中扩散过程的数学模型。扩散过程包括传播、渗透、传输等等。例如，在化学中，扩散模型可以用来描述分子之间的扩散运动。在社会学中，扩散模型可以用来描述信息、想法或行为在人群之间的传播。在物理学中气体分子从高浓度区域扩散到低浓度区域，这与由于噪声的干扰而导致的信息丢失是相似的。所以通过引入噪声，然后尝试通过去噪来生成图像。在一段时间内通过多次迭代，模型每次在给定一些噪声输入的情况下学习生成新图像。

即图像生成任务就是模拟分子扩散的过程，给图像中逐步加入噪声，最终变成一个看不出原本图像分布的噪声分布，然后通过逆向预测噪声来去噪的过程来进行图像生成。

在 DDPM 之前呢，其实在 2015 年就有利用扩散模型的思想来做图像生成的尝试了，但没有很好的效果

一般的思路还是两个过程，前向扩散和反向去噪：

• 前向扩散：通过 t 次（t 可能很多，1000 次）的噪声添加，每次添加很小的随机噪声，逐步将输入图像加噪成一个正态分布，图片就变成了一个各向同性噪声
• 反向去噪：通过 t 次反向预测进行噪声去除，反向去噪的过程一般使用类似 U-Net 的结构，每次 t 到 t-1 状态的预测都是使用 U-Net encoder 先把图像压缩，decoder 再把图像恢复，U-Net 的输出是预测的图片，注意这里是图片，所以约是比较复杂的（U-Net 的参数是共享的）

DDPM 做了什么改进才把扩散模型的效果拉起来了呢：U-Net 不预测图片了，只预测本次添加的噪声

DDPM 是如何改的：

• U-Net 的输入不只是 Xt 时刻的图片了，还有一个 time embedding（可以看做类似 position embedding 的东西），也是一个向量，可以直接加，也可以直接拼接到输入图片特征上
• 为什么要引入 time embedding ：反向扩展过程中，刚开始的时候希望 U-Net 能够先生成一些大概轮廓，粗糙的特征，不需要很清晰，随着扩展模型一点点往前走，到后面的时候希望模型能学习一些细节的特征。但 U-Net 模型是共享参数的，所以需要 time embedding 来提醒模型现在走到哪一步了，现在这个输出是要粗糙还是细致等等，所以 time embedding 还是很有用的
• loss：既然预测的是噪声，所以 loss 就是已知的噪声和预测的噪声的差值，而且前向过程添加的噪声是已知的，预测的噪声是 U-Net 的输出
• DDPM 还有一个贡献，因为一般如果要预测一个正态分布呢，只要学习均值和方差就可以了，其实进一步，只要预测均值就可以了，方差使用一个常数就能达到很好的效果，方差不用学了，再次降低了难度。DPPM 工作的很好了，能使用扩散模型来生成很好的图片了。

DDPM 是很多扩散模型的基础，其通过前向扩散和逆向去噪来实现对噪声的估计，从而将受噪声污染的图像复原。

重参数化：

• 在高斯分布 $N(\mu ,{\sigma }^2)$ 上采样是一个随机过程，不能进行反向传播
• 所以可以通过重参数化来解决，先从标准正态分布 $ϵ$ ~$N(0,1)$ 上采样，然后乘以标准差，加上均值即可，也就是 $\sigma \times ϵ+\mu$，将随机性转移到 $ϵ$ 上

二、DDPM 主要过程

2.1 前向扩散过程

前向扩散的实际操作就是给定一张图 $x_0$，图片是有三个通道 RGB 的，都是 [0,255] 之间的数值，首先要将像素值归一化映射到 [-1,1] 之间，然后通过在标准正态分布 N(0,1) 中随机采样生成一张同样大小的噪声图片，噪声也是 3 通道的。然后将噪声和图片的对应位置上进行加权求和，加权求和的方式如下：
$$\sqrt{\beta }\times ϵ+\sqrt{1-\beta }\times x$$

• $x$：输入图像
• $ϵ\sim N(0,1)$：是添加的高斯噪声
• $\beta$：是一个权重参数，且 $(\sqrt{\beta }{)}^2+(\sqrt{1-\beta }{)}^2=1$ 永远成立，在前向扩展的过程中，$\beta$ 也会越来越大，刚开始的 $\beta$ 是比较小的，随着 $\beta$ 的增大，噪声所占的比例会越来越大，可以大致看成从 0 到 1 逐步递增。如下图所示，所以可以用一个公式来表达前一时刻和后一时刻的关系。$x_t=\sqrt{{\beta }_t}\times {ϵ}_t+\sqrt{1-{\beta }_t}\times x_{t-1}$。

然后引入一个变量 ${\alpha }_t=1-{\beta }_t$，所以 $x_t=\sqrt{1-{\alpha }_t}{ϵ}_t+\sqrt{{\alpha }_t}{x}_{t-1}$，从这个公式中可以看出，可以从 $x_0$ 经过 t 次噪声添加，得到 $x_T$ 的图像

所以能不能直接简化这个过程呢，直接从 $x_0$ 到 $x_T$，经过一系列证明后，结论是可以！

两个正态分布叠加后，仍然是正态分布，且有如下公式：

然后经过一系列推断和重参数化技巧，根据上面的公式的思路可以得到下面的公式，也就是可以通过一步过程来从 $x_0$ 得到 $x_t$：

$$x_t=\sqrt{{\overline{\alpha }}_t}{x}_0+\sqrt{1-{\overline{\alpha }}_t}ϵ$$

• ${\overline{\alpha }}_t={\Pi }_{i=1}^t{\alpha }_i$，表示累乘，就是有多少次引入噪声的过程，就有多少个值乘到一起
• $ϵ\sim N(0,1)$
• 上面的公式可以直接由输入图像 $x_0$ 来生成最终的加噪结果

2.2 逆向去噪过程

逆向去噪的目标是从 $x_T$ 得到 $x_0$

我们已知从 $x_{t-1}$ 到 $x_t$ 是添加随机噪声得到的，所以可以看做一个随机过程，所以从 $x_t$ 到 $x_{t-1}$ 的过程也是一个随机过程，所以可以用贝叶斯公式来解决，也就是在给定 $x_t$ 的情况下，求前一时刻 $x_{t-1}$ 的概率，这里 $P(x_{t-1})$ 是在 $x_{t-1}$ 时刻的概率，也就是从 $x_0$ 得到它的概率

所以都加上 $x_0$ 作为前提条件，实际上可以忽略，所以基于 $x_t$ 来求 $x_{t-1}$ 的概率分布的公式如下：

---

现在分别求式子中的每一项：

① $p(x_t|x_{t-1})$：~$N(\sqrt{{\alpha }_t}{x}_{t-1},1-{\alpha }_t)$

注意上上个图中的第一个式子，这里的 ${ϵ}_t$ 是服从 (0,1) 分布的高斯噪声，乘以前面的系数 $\sqrt{1-{\alpha }_t}$ 后，变成服从 $N(0,1-{\alpha }_t)$ 的分布，然后再加上后面的一项 $\sqrt{{\alpha }_t}\times x_{t-1}$ 后，均值就变化了，变成了服从 $N(\sqrt{{\alpha }_t}{x}_{t-1},1-{\alpha }_t)$ 的分布，这就是给定 $x_{t-1}$ 时刻时，对应 $x_t$ 时刻的概率分布 $p(x_t|x_{t-1})$，是一个正态分布

② $p(x_t|x_0)$：~$N(\sqrt{{\overline{\alpha }}_t}{x}_0,1-{\overline{\alpha }}_t)$

注意上上个图中的第二个式子，，这里的 $ϵ$ 也是服从 (0,1) 分布的高斯噪声，和前面推法一样，最后就变成了服从 $N(\sqrt{{\overline{\alpha }}_t}{x}_0,1-{\overline{\alpha }}_t)$ 的分布

③ $p(x_{t-1}|x_0)$：~$N(\sqrt{{\overline{\alpha }}_{t-1}}{x}_0,1-{\overline{\alpha }}_{t-1})$

使用相同的计算方式来计算

---

得到了上面三个部分的均值和方差后，就能用正态分布的概率密度函数形式来表示

然后再将这些密度函数带入贝叶斯公式中：

目标是求解给定 $x_t$ 条件下 $x_{t-1}$ 的概率，实际上也是正态分布，所以就需要将上面的式子变换侧灰姑娘 $x_{t-1}$ 的概率密度函数形式

所以，最终给定 $x_t$ 条件下，$x_{t-1}$ 的概率分布如下

然后就从 $x_T$ 时刻，不断使用这个关系，得到 $x_t$，$x_{t-1}$，直到 $x_0$ 的分布，这里的所有图像都可以看成一个分布

至此，整个推理过程就结束了，所以需要神经网络来做什么呢：

给定一张随机噪声 $x_T$，通过神经网络预测噪声 $ϵ$，然后根据预测到的噪声就能得到前一时刻图像的概率分布，这个概率分布就是上面图中的 $p(x_{t-1}|x_t,x_0)$，然后用此概率分布进行随机采样，就能得到一张前一时刻的图像，然后再将这个前一时刻的图像使用神经网络预测噪声，不断重复这个预测、采样、预测、采样的过程，就能得到 $x_0$ 了

而且这个最开始的图像 $x_T$ 其实近似于标准正态分布，所以随机采样即可

从 T 时刻像 0 时刻递减的过程中可以看出，前一时刻的图像的正态分布的标准差越来越小，逐渐接近于 0，其实就是上面图中大红色字那部分表示的标准差，也就是说前一时刻的图像分布越来越靠近均值

2.3 训练和推理

模型的结构：U-Net

模型每次的输入：$x_t$ 和 time embedding $t$

模型每次的输出：噪声

每次从 $t$ 时刻到 $t-1$ 时刻的模型 U-Net 的参数都是共享的

模型学习的目标：

不断的逆向去掉噪声，学习的目标就是让每步逆向预测的噪声 ${ϵ}_{\theta }(x_t,t)$ 和每步前向添加的噪声 $ϵ$ 尽可能的相近，前向添加噪声的时候虽然是一次进行的，但每次添加的噪声其实是都有记录的。

损失函数：

训练的过程：最小化预测的噪声和添加的噪声的差距

• 第一步：输入原图 $x_0$
• 第二步：生成随机噪声 $ϵ$ 和时间 $t$
• 第三步：对原图加噪，$x_t=\sqrt{{\overline{\alpha }}_t}{x}_0+\sqrt{1-{\overline{\alpha }}_t}ϵ$，这里 ${\overline{\alpha }}_t$ 表示累乘
• 第四步：将加噪的图像和时间向量 t 输入神经网络模型，预测噪声 ${ϵ}_{\theta }$
• 第五步：计算 loss 并更新模型

推理的过程：

• 从 $N(0,1)$ 中随机生成一个噪声
• 循环 T 步逐步去噪，就从噪声恢复得到了原图