基于AE、VAE 和 VQ-VAE的图像生成_ae vae vqvae

• AE 是将数据映直接映射为数值code（确定的数值），主要用于图像压缩与还原
• VAE是先将数据映射为分布，再从分布中采样得到数值code，主要用于图像生成。
• AQ-VAE是在原始VAE基础上多了一步Vector Quantization矢量量化操作，完成对 latents 的进一步压缩，主要用于音频1D/图像2D/视频3D生成。

1. AE

VAE：$x$ 经过无分布$encoder$， 到$z$， 经过无分布$decoder$，到$x$

因为AE学的只是将具体的图像X压缩为latent Z，然后解码回X‘，计算重建loss，而并不是学习一个概率分布。

AutoEncoder训练后会有严重的过拟合：当我们想从latent space中随机采样一个random vector z，然后用decoder解码为一张图像时，我们发现并不是所有的vector都可以解码为一张人脸的，而是一个具体的vector一张具体的训练集的图像存在一一对应关系。这个latent space中的vector和训练集图像严重过拟合了，无法在两个vector之间进行插值生成相似的图像。因此我们无法使用AE的Decoder生成训练集中没有见过的图像。

假设我们训练好的AE将“新月”图片encode成code=1（这里假设code只有1维），将其decode能得到“新月”的图片；将“满月”encode成code=10，同样将其decode能得到“满月”图片。这时候如果我们给AE一个code=5，我们希望是能得到“半月”的图片，但由于之前训练时并没有将“半月”的图片编码，或者将一张非月亮的图片编码为5，那么我们就不太可能得到“半月”的图片。因此AE多用于数据的压缩和恢复，用于数据生成时效果并不理想。

2. VAE

原理

VAE：$x$ 经过$encoderp(z|x)$， 到$z$， 经过$decoderp(x|z)$，到$x$

VAE相较于AE开始学习概率分布：encoder将原图像的概率分布转化为latent sapce中的概率分布，然后decoder将latent sapce中的概率分布转化为图像的概率分布。当我们学习到了$p(x|z)$以后，我们就可以从latent sapce$p(z|x)$中随机采样一个random vector z使用decoder解码为一张图像。

不将图片映射成“数值编码”，而将其映射成“分布”。还是刚刚的例子，我们将“新月”图片映射成μ=1的正态分布，那么就相当于在1附近加了噪声，此时不仅1表示“新月”，1附近的数值也表示“新月”，只是1的时候最像“新月”。将"满月"映射成μ=10的正态分布，10的附近也都表示“满月”。那么code=5时，就同时拥有了“新月”和“满月”的特点，那么这时候decode出来的大概率就是“半月”了。

代码

Encoder、Decoder是正常的CNN或Transformer架构混用都可以。

在 输入图像 x 用 encoder 编码为latents h后，先进行一个卷积quant_conv将其映射为2部分：均值mena和方差logvar，然后使用均值和方差，在中进行采样

从技术角度来说，训练时，VAE 的工作原理如下：
（1）编码器encoder将输入样本 input img x 编码为latents h后，进行一个卷积quant_conv将其映射为2部分：均值mena和方差logvar，其中标准差$std=e^{\sqrt{logvar}}=e^{logstd}$

（2）我们假定潜在后验分布Posterior（正态分布 x ~ P(mean, std^2) -> x = mean + std * epsilon）能够生成输入图像，并从这个分布中随机采样一个点 z : z= mena + std * epsilon，其中 epsilon 是取值很小的随机张量（下面代码中是sample）。

（3）解码器decoder将latent space的这个点z映射回原始输入图像x’

因为训练时 epsilon 是随机的，所以可以确保：与 input_img 编码的latent space中(即 mean)靠近的每个点都能被解码为与 input_img 类似的图像，从而迫使latent space能够连续。

前面说我们假设了后验分布Posterior是正态分布，那我们如何约束呢？在训练的loss中可以找到答案，VAE的loss函数不仅包含图像的重建loss，还包含了我们的Posterior分布和标准正态分布的KL散度loss。

对于训练好的模型，我们可以在latent space中随机采样一些vector，然后用decoder解码为图像：

3. VQ-VAE

原理

VQ-VAE：$x$ 经过$encoderp(z|x)$， 到$z_e(x)$，经过$codebook{z}_q(x)=argmin(z_e(x)|e_i)$，到$z_q(x)$， 经过$decoderp(x|z_q(x))$，到$x$。

VQ-VAE (Vector Quantised Variational AutoEncoder, from Neural Discrete Representation Learning)和VAE的区别是:

1. VQ-VAE 的Posterior分布是一个离散概率分布，在原始VAE基础上多了一步Vector Quantization矢量量化操作，完成对 latents 的进一步压缩。
2. VQ-VAE的离散的先验分布是可学习的，不像VAE一样是静态的（VAE假设为标准高斯分布）

VAE输入x后经过encoder $p(z|x)$，将x映射为连续的latent feature z，然后用decoder $p(x|z)$解码出x。VAE学习到了$p(x|z)$以后，我们就可以从latent sapce$p(z|x)$中随机采样一个random vector z使用decoder解码为一张图像。

VQ-VAE的encoder & decoder和VAE一样，区别是将连续的 latent space 的 特征$z_e(x)$ 转换为 离散的 latent embedding space中距离最近 的特征 $z_q(x)\in R^{dxk}$，即d个长度为k的embedding vectors。decoder对离散的特征$z_q(x)$解码。

具体来说，VQ-VAE维护了一个code book矩阵（是一个Learnable 的 Embedding Layer），通过计算encoder输出的latent与code book中每个向量的距离，然后从code book中拿出距离最近的向量组成新的latent传入decoder，进行重建。

训练Loss：（1）然而$z_e(x)$到$z_q(x)$的$argmin$过程不可导，训练时decoder的梯度无法传递到encoder！，本文采取的解决办法是：将decoder输入部分的梯度，直接复制给encoder输出的部分，这样就可以用图像的reconstruct loss（下面loss的第1项）训练encoder和decoder了 。（2）但是直接跨过code book矩阵，就导致code book这个Embedding Layer无法训练，因此本文引入一个VQ字典学习的dictionary_loss，sg[$z_e(x)$]把encoder的输出当作常量，通过L2的loss优化code book中的向量不断逼近encoder输出的sg[$z_e(x)$]（下面loss的第2项）。（3）本文还引入了一个commitment loss（下面loss的第2项），反过来把code book中的向量sg[$e$]当作常量，把encoder输出$z_e(x)$看作可学习的变量，优化$z_e(x)$去接近sg[$e$]。有点像让$z_e(x)$变化慢点，等待$e$的意思。

训练好的decoder就可以将一个latent embedding解码为一张图像了，但我们如何控制生成什么类别的图像呢？解决办法是：训练一个seq2seq的模型（如transformer/rnn），将根据text prompt作为条件，自回归的生成一个latent embedding的向量，然后在用VQ-VAE的decoder解码为一张图像。

代码

https://www.bilibili.com/video/BV14Y4y1X7wb/?spm_id_from=333.788.recommend_more_video.-1&vd_source=b2549fdee562c700f2b1f3f49065201b

encoder和decoder和VAE一样：

构建一个learnable的embedding作为code book，对于编码后的latent z进行变形，然后与code book中每个向量计算距离。

找到距离 latent 最近的向量 组成新的latent z_q，与原始的latent z 相加。

VQ-VAE的loss包含2部分，一个是图像重建的rec_loss，一个是学习embedding code book的quant_loss.