（2024，强化学习，扩散，奖励函数）扩散模型的大规模强化学习_强化学习 扩散模型

Large-scale Reinforcement Learning for Diffusion Models

公和众和号：EDPJ（进 Q 交流群：922230617 或加 VX：CV_EDPJ 进 V 交流群）

目录

0. 摘要

3. 方法

3.1. 使用多步骤 MDP 的策略梯度

3.2. 基于分布的奖励函数

3.3. 多任务联合训练

4. 奖励函数和实验 

---

0. 摘要

文本到图像扩散模型是一类深度生成模型，展示了令人印象深刻的高质量图像生成能力。然而，这些模型容易受到源自网络规模文本-图像训练对的隐含偏见的影响，可能不准确地建模我们关心的图像方面。这可能导致次优的样本、模型偏见以及与人类伦理和偏好不符的图像。在本文中，我们提出了一种有效的可扩展算法，使用强化学习（RL）改进扩散模型，涵盖人类偏好、组成性和公平性等多种奖励函数，涉及数百万张图像。我们说明了我们的方法如何显著优于现有方法，使扩散模型与人类偏好保持一致。我们进一步说明了如何显著改进预训练的稳定扩散（SD）模型，生成被人类喜爱的样本，比基础 SD 模型的样本被人类喜爱的时间多 80.3%，同时提高了生成样本的组成和多样性。

项目网站：https://pinterest.github.io/atg-research/rl-diffusion/

3. 方法

在这一部分，我们描述了我们应用大规模强化学习（RL）训练到扩散模型的方法。我们的目标是微调现有扩散模型的参数 θ，以最大化从采样过程中生成的图像的奖励信号 r：

其中，p(c) 是上下文分布，pθ(x0|c) 是样本分布，而 r(x0, c) 是应用于最终样本图像的奖励函数。 

3.1. 使用多步骤 MDP 的策略梯度

在遵循 Black 等人的方法 [5] 的基础上，我们重新构思了扩散模型的迭代去噪过程，将其视为多步骤马尔可夫决策过程（Markov decision process，MDP），其中在每个时间步 t，策略、动作、状态和奖励定义如下：

我们将扩散模型的反向采样过程 p_θ(x_(t−1) | x_t, c) 视为策略。从采样的初始状态 x_T 开始，策略在任何时间步t的动作是产生下一个时间步x_(t−1) 的更新。奖励在最终时间步被定义为 r(x0, c)，在其他情况下为 0。

策略梯度的估计可以使用似然比方法（也称为 REINFORCE）[33, 48] 进行：

我们还应用重要性采样以便从旧策略收集样本来提高训练效率，并结合剪切的信任区域，以确保新策略不会偏离旧策略太远 [41] 。最终剪切的替代目标函数可以写成： 

这里 ϵ 是确定剪切区间的超参数，而 ^A(x0, c) 是样本的估计优势（estimated advantage）。为了进一步防止对奖励函数的过度优化，我们还将原始扩散模型目标作为损失函数的一部分纳入考虑。因此，我们的完整训练目标是： 

一个额外的细节是，在梯度更新过程中，通常将奖励值归一化为零均值和单位方差，以提高训练稳定性。在基于策略的强化学习中，一种通用的方法是从奖励中减去基线状态值函数，以得到优势函数 [45]：

在 DDPO 的原始实现中，Black 等人通过独立跟踪每个提示的运行均值和标准差，在每个上下文的基础上对奖励进行归一化 [5]。然而，如果训练集大小是无界的或不固定的，这种方法仍然不切实际。

与他们有限的训练提示大小（最多只有 398 个）形成对比，我们的大规模微调实验涉及数百万个训练提示。我们改为使用每个 batch 的均值和方差，在批次的基础上对奖励进行归一化。

3.2. 基于分布的奖励函数

在先前概述的扩散 MDP 公式中，每一次生成被视为独立的，因此由生成样本产生的奖励彼此独立。这种公式对于只关心单个图像的内容的奖励函数是自然的选择，比如图像质量或文本图像对齐。然而，有时我们关心的不是任何特定图像的内容，而是扩散模型整体的输出分布。例如，如果我们的目标是确保模型生成多样化的输出，仅考虑单个生成是不够的——我们必须考虑所有输出，以了解我们模型的这些分布属性。

为此，我们还研究了在扩散模型强化学习中使用基于分布的奖励函数。然而，构建真实生成分布是不可行的。因此，我们通过在强化学习过程中跨小批次计算的经验样本来近似奖励。在训练期间，获得的奖励在每个小批次上计算，然后小批次奖励通过样本进行反向传播，以执行模型更新。在第4.2 节中，我们通过学习基于分布的奖励函数，优化生成样本中的公平性和多样性，验证了这种方法。

3.3. 多任务联合训练

我们还进行多任务联合训练，同时优化单一模型以实现多样的目标。如下一节详细说明，我们将来自人类偏好、肤色多样性、目标组合的奖励函数全部纳入联合优化。由于每个任务涉及不同分布的训练提示，在每次训练迭代中，我们从所有任务中随机抽取多个提示，并独立运行采样过程。每个奖励模型都应用于相应提示的样本图像。然后，对每个任务依次执行方程 7 中的梯度步骤。我们在附录 A 中提供了可用的超参数，并在算法 1 中概述了训练框架。

4. 奖励函数和实验 

为了在各种设置中验证我们的方法，我们进行了三个独立的奖励函数的实验：人类偏好、图像组合以及多样性和公平性。