回顾一下 Diffusion Model，Diffusion Model 主要通过添加噪音的Forward过程和去除噪音的Reverse过程来训练生成模型，从而模型具有从高斯分布的噪音中采样真实图像的能力。但是由于Forward过程和Reverse过程有随机的变量，因此将一个图像映射成一个噪音向量后，并不能保证可以从这个噪音空间中恢复出原图，本文也提出了方法解决上述问题。

方法介绍

DDPM/DDIM回顾

这里可以先把DDPM理解为不确定地Forward和Reverse过程，而DDIM是确定性地Forward和Reverse过程。

(DDIM/DDPM存疑-需要查看原论文）

首先，论文回顾一下经典的两个Diffusion Model模型，DDPM [1] 和DDIM[2]

DDPM的逆向过程为：

$\bold{x}_{t-1} = \frac{1}{\sqrt{1-\beta_t}}\left ( \bold{x}_{t} - \frac{\beta_t}{\sqrt{1-\alpha_t})}\bold{\epsilon}_\theta(\bold{x}_t, t)\right ) + \sigma_t\bold{z}$ (1)

其中 $\bold{z} \sim\mathcal{N} (\bold{0}, \bold{I})$ .

模型架构

模型架构如上所示：

首先图片经过Diffusion Forward Step 转换成噪音数据，这个阶段利用的模型是预训练的模型，其参数是不能更改的。在Reverse Step，我们需要修改数据内容，因此需要根据Loss调整 $\epsilon_{\hat \theta}$ 的参数。

由上可见，其实修改图像的效率不是很高，如果模型复杂的话，那么计算量将会更大。并且，forward过程可以不用完全执行，可以diffusion到一定阶段，保留图像的一些语义信息，这样也会更利于 reverse过程中生成的图像保留原始图像的语义。

Loss设计

那么如何用CLIP来设计loss调整图像呢？

文章首先定义了 $\mathcal{L}_{direction}$ , 用来保证模型沿着我们指定的文本内容修改图像。

$\mathcal{L}_{direction} (\bold{x}_{gen} ,y_{tar}; \bold{x}_{ref}, y_{ref}) := 1 - \frac{\left \langle \Delta I, \Delta T \right \rangle}{\|\Delta I\| \|\Delta T\|}$ (2)

其中 $\Delta T = E_T (y_{tar}) - E_T(y_{ref}), \Delta I = E_I (\bold{x}_{gen}) - E_I(\bold{x}_{ref})$ , $E_I, E_T$ 分别表示CLIP模型对图像和文本的特征表示。gen表示Diffusion 模型生成图像，tar表示我们想得到的图像风格或者内容，ref表示原图和原描述（如果没有可以简单指定为picture，human等）。

除了风格/内容修改之外，我们还希望生成图像和原图能够对应，因此还需要 $\mathcal{L}_{id}$ ,

$\mathcal{L}_{id}(\hat{\bold{x}}_0(\hat\theta ), \bold{x}_0) = \lambda \|\bold{x}_0 - \hat{\bold{x}}_0(\hat\theta )\|$

这样就可保证在原始内容基本不变的情况下完成风格转换，或者内容修改。

Forward和Reverse过程

因为之前提到了，Diffusion Model在正向或者逆向过程都会引入随机变量，因此很难保证可以从隐空间（高斯噪音空间）恢复出原始图像。

为了首先确定的Reverse过程，文章采用确定的DDIM reverse process，定义如下：

$\bold{x}_{t-1} = \sqrt{\alpha_{t-1}} \bold{f}_{\theta}(\bold{x}_t, t) + \sqrt{1-\alpha_{t-1}}\bold{\epsilon}_{\theta}(\bold{x}_t, t)$ (3)

其中， $\bold{f}_{\theta}(\bold{x}_t, t):=\frac{\bold{x}_t - \sqrt{1-\alpha_t}\epsilon_{\theta}(\bold{x}_t, t)}{\sqrt{\alpha_t}}$ , 是在 $\bold{t}$ 时刻对 $\bold{x}_0$ 的预测。

在Forward过程可以利用ODE近似确定，定义如下：

$\bold{x}_{t+1} = \sqrt{\alpha_{t+1}} \bold{f}_{\theta}(\bold{x}_t, t) + \sqrt{1-\alpha_{t+1}}\bold{\epsilon}_{\theta}(\bold{x}_t, t)$

经过这样修改，Forward过程和Reverse过程都是确定性的过程，（注意ODE近似并不能保证完全相同）。

未知Domain之间的迁移

首先我们需要确定什么是未知Domain。假设我们训练Diffusion模型用的数据是自然图像（相机拍摄图像）。那么油彩画风格的图像，我们的Diffusion模型没有训练过，那么油彩画风格的图像就是未知Domain或Unseen Domain。

下面可以将任务分类：

已知Domain -> 已知Domain：这一类任务只需要只需要上图所示的框架就可以解决，是最基础的任务。
已知Domain-> 未知Domain：这一类任务只需要在y_tar文本添加我们需要的风格描述即可，比如油彩画风格的草原/梵高风格的夜空。因为这些Unseen Domain一般都出现在了CLIP所使用WIT数据集里面。
未知Domain-> 已知Domain：首先我们需要用Diffusion Model的Forward过程来进行噪音添加，但是无法应用DDIM的确定性过程，应为确定性过程需要训练好的Diffusion Model的参数。所以只能应用DDPM的Forward过程，这个时候，Forward过程不能执行所有step，需要保留一定的语义。
未知Domain->未知Domain：这个步骤需要借用未知Domain->已知Domain->未知Domain的过程。

详细的论文中的可视化为：

实验结果

实验结果中Recon的结果值得重点关注：

从上面可以看出，DiffusionCLIP的重建能力比较强，相当于完成了一个Encoder，Decoder的功能。

上述是重建能力的量化图表结果。

也有一些其他的数据，不过是用人的问卷作为评价，因此在本博客中不具体说明。

参考文献

Sohl-Dickstein J, Weiss E, Maheswaranathan N, et al. Deep unsupervised learning using nonequilibrium thermodynamics[C]//International Conference on Machine Learning. PMLR, 2015: 2256-2265.
Song J, Meng C, Ermon S. Denoising diffusion implicit models[J]. arXiv preprint arXiv:2010.02502, 2020.

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/weixin_40725706/article/detail/368917