扩散模型 - Stable Diffusion

4 Stable Diffusion

​ Stable Diffusion 是由 Stability AI 开发的开源扩散模型。Stable Diffusion 可以完成多模态任务，包括：文字生成图像（text2img）、图像生成图像（img2img）等。

4.1 Stable Diffusion 的组成部分

​ Stable Diffusion 由两部分组成：

• 文本编码器：提取文本 prompt 的信息

• 图像生成器：根据文本 embedding 生成图像

  • 图像信息创建器：多步扩散过程。步长是其中一个超参数
  • 图像解码器：只在最后生成图像时运行一次

• 文本编码器：由一种特殊的 Transformer 编码器组成，例如：OpenAI 的 Clip。

• 图像信息创建器：由自编码器（通常是 U-Net）和噪音机制组成。

• 图像解码器：由自编码器的解码器组成。

​ Stable Diffusion Pipeline：

• Clip：文本信息编码
  • 输入：文本
  • 输出：77 token 的 embedding 向量，每个包含 768 维
• U-Net + Noise Scheduler：逐渐把信息扩散至潜空间中
  • 输入：文本 embedding 和由噪音组成的多维 tensor
  • 输出：处理后的 tensor
• 自编码器的解码器：使用扩散/处理后的信息生成图像
  • 输入：经过处理的 tensor(shape: (4, 64, 64))
  • 输出：生成图像（shape:(3, 512, 512))

4.2 扩散过程（图像信息创建器）

​ 扩散过程发生在图像信息创建器中。该过程一步步（step by step）进行。初始的输入为文本 embedding 和一个随机的图像信息数组（也称为潜变量 latents）。每一步扩散的输入是潜变量，输出是信息进一步丰富的潜变量。最终的输出是一张图像。如图：

4.2.1 扩散过程的工作原理

​ 扩散过程的原理其实是训练了一个基于 U-Net 和噪音等级机制（schedule）的噪音等级预测器。

扩散过程包含如下阶段：

• 数据集准备阶段：生成训练数据
  • 输入：包含清晰图像的数据集、不同级别的噪音等级机制
  • 流程：从数据集中抽样得到清晰图像，从噪音等级机制中抽样得到某种级别的噪音样本，把该噪音和图像融合
  • 输出：带有某种等级的噪音图像
• 训练阶段：训练噪音等级预测器
  • 输入：把上一阶段中的噪音图像和清晰图像作为输入数据，对应的噪音样本作为标签。
  • 训练：采用 U-Net 作为神经网络，采用监督 loss 对输入进行学习
  • 输出：某种等级的噪音样本
• 推断阶段：去噪并生成图像
  • 输入：训练完成的 U-Net、某个噪音图像
  • 推断：U-Net 输出该噪音图像的噪音等级（噪音样本）
  • 输出：把噪音图像减去噪音样本，得到去噪图像。不断重复该过程，最终得到类似清晰图像的图像（并不一定完全相同）

​ 生成图像的结果依赖于训练数据集。例如：Stable Diffusion 采用了带有艺术效果的 LAION Aesthetics 数据集，因此生成图像也具有艺术效果。

4.3 提速：在潜空间扩散

​ Stable Diffusion 的扩散过程是在潜空间中开展的，而不是整个图像像素，这样的压缩过程加速了图像生成的速度。

​ 该压缩过程通过自编码器（autoencoder）实现。自编码器的编码器把图像压缩至潜空间，并用解码器根据压缩信息重建图像。因此，在前向扩散过程中，等级噪音应用于潜变量，而不是图像像素。所以 U-Net（噪音预测器）预测的噪音也是以潜变量的形式表示的。

​ 前向扩散过程就是给清晰图像不断添加噪音的过程，也是生成数据集训练噪音预测器的过程，当噪音预测器训练完毕后，就可以运行反向抽样过程来去噪并重建图像。

​ 在 Stable Diffusion、LDM（潜变量扩散模型） 的论文中，该流程如下：

4.4 Transformer（文本编码器）

Transformer 模型根据文本输入生成 token embedding。

​ Stable Diffusion 的开源模型中使用的是 OpenAI 的 CLIP（基于 GPT），而其论文中使用的是 Google 的 BERT。两者都是 Transformer 的编码器（encoder）。

​ 有工作指出：文本编码器的选择对于扩散模型的表现比图像生成器的选择更重要。

4.4.1 CLIP 的训练过程

​ CLIP 的训练流程为：

• 输入：训练数据为网页爬取的图像和其对应 HTML 标签属性 alt，也就是图像 + 注释（caption）
• 训练：CLIP 分别使用图像编码器和文本编码器把两种输入数据转化为图像 embedding 和文本 embedding，使用余弦相似度作为 loss 和标签 embeddings 进行比较并更新参数
• 输出：训练完毕的 CLIP 接收图像和文本描述并生成对应的 embeddings

4.5 加入文本数据

​ 有了文本编码器后就要给扩散模型加入文本数据。

​ 下面是有、无文本的扩散过程对比：

​ 加入文本数据后，噪音预测器（U-Net）也要发生相应变化，主要是在每个 ResNet 块后添加注意力运算：

参考

• Ling Yang et al. “Diffusion Models: A Comprehensive Survey of Methods and Applications .” arXiv 2023.
• Jonathan Ho et al. "Denoising Diffusion Probabilistic Models". NeurIPS 2020.
• Jiaming Song et al. "Denoising Diffusion Implicit Models". ICLR 2021.
• Alex Nichol et al. "Improved Denoising Diffusion Probabilistic Models". ICML 2021.
• Robin Rombach et al. "High-Resolution Image Synthesis with Latent Diffusion Models". arXiv 2022.
• Prafulla Dhariwal et al. Diffusion "Models Beat GANs on Image Synthesis". NeurIPS 2021.
• Jonathan Ho et al. "Classifier-Free Diffusion Guidance". NeurIPS Workshop 2021.
• Tim Salimans et al. "Progressive Distillation for Fast Sampling of Diffusion Models". ICLR 2022.
• Chenlin Meng et al. On Distillation of Guided Diffusion Models”. CVPR 2023.