位置: IT常识 - 正文

去噪扩散概率模型(DDPM)的简单理解(去噪扩散概率模型)

编辑:rootadmin
去噪扩散概率模型(DDPM)的简单理解

推荐整理分享去噪扩散概率模型(DDPM)的简单理解(去噪扩散概率模型),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:去噪扩散概率模型应用,去噪扩散概率模型作用是什么,噪音扩散角度,扩散和噪点,去噪 算法,扩散和噪点,去噪扩散概率模型下载,去噪扩散概率模型,内容如对您有帮助,希望把文章链接给更多的朋友!

图1 DDPM 无条件控制生成的图像。 这些不是真实的人、地方、动物或物体。

前言

扩散模型最近在图像生成领域取得了巨大的成功,类似 OpenAI 的 DALL-E 2,Google 的 Imagen,以及 Stability AI 最近发行的能够达到商业级绘画目的的 Stable Diffusion 等,都是基于扩散模型来进行图像生成的。本文对知乎上各位大佬对于扩散模型(特别是 DDPM)的讲解进行了融合,带领大家深入浅出理解扩散和逆扩散过程。

数学基础先验概率和后验概率

先验概率:根据以往经验和分析得到的概率。它往往作为由因求果问题中的因出现,如q(Xt∣Xt−1)q(X_{t}|X_{t-1})q(Xt​∣Xt−1​)

后验概率:是指在得到结果的信息后重新修正的概率。是执果寻因问题中的因,如p(Xt−1∣Xt)p(X_{t-1}|X_{t})p(Xt−1​∣Xt​)

KL 散度

对于两个单一变量的高斯分布的 ppp 和 qqq 而言,它们的 KL 散度为:

KL(p,q)=logσ2σ1+σ12+(μ1−μ2)22σ22−12KL(p, q)=log\frac{\sigma_{2}}{\sigma_{1}}+\frac{\sigma_{1}^{2}+(\mu_{1}-\mu_{2})^{2}}{2\sigma_{2}^{2}}-\frac{1}{2}KL(p,q)=logσ1​σ2​​+2σ22​σ12​+(μ1​−μ2​)2​−21​

参数重整化

若希望从高斯分布 N(μ,σ2)N(\mu, \sigma^{2})N(μ,σ2) 中采样,可以先从标准分布 N(,1)N(0, 1)N(0,1) 采样出 zzz,再得到 σ∗z+μ\sigma*z+\muσ∗z+μ,这就是我们想要的采样结果。这样做的好处是将随机性转移到了 zzz 这个常量上,而 σ\sigmaσ 和 μ\muμ 则当作仿射变换网络的一部分。

模型介绍模型总览

图2 DDPM 是经过训练以逐渐去除噪声数据的参数化马尔可夫链。我们估计生成过程的参数。

去噪扩散概率模型(DDPM)的简单理解(去噪扩散概率模型)

DDPM 主要分为两个过程:

forward 加噪过程(从右往左)reverse 去噪过程(从左往右)

加噪过程是指向数据集中的真实图像逐步加入高斯噪声,而去噪过程是指对加了噪声的图片逐步去噪,从而还原出真实图像。加噪过程满足一定的数学规律,不需要学习,而去噪过程则采用神经网络模型来学习。这样一来,神经网络模型就可以从一堆杂乱无章的噪声图片中生成真实图片了。

扩散过程逐步加噪

给定初始数据分布 x∼q(x)x_{0} \sim q(x)x0​∼q(x),我们定义一个前向扩散过程(forward diffusion process):我们向数据分布中逐步添加高斯噪声,加噪过程持续 TTT 次,产生一系列带噪声的图片 x1,...,xTx_{1},...,x_{T}x1​,...,xT​。在由 xt−1x_{t-1}xt−1​ 加噪至 xtx_{t}xt​ 的过程中,噪声的标准差/方差是以一个在区间 (,1)(0, 1)(0,1) 内的固定值 βT\beta_{T}βT​ 来确定的,均值是以固定值 βT\beta_{T}βT​ 和当前时刻的图片数据 xt−1x_{t-1}xt−1​ 来确定的。以上描述的加噪过程可以写成公式:

q(x1:T∣x):=∏t=1Tq(xt∣xt−1),q(xt∣xt−1):=N(xt;1−βtxt−1,βtI)q(x_{1:T|x_{0}}):=\prod_{t=1}^{T}q(x_{t}|x_{t-1}), \quad q(x_{t}|x_{t-1}) := \mathcal N(x_{t};\sqrt{1-\beta_{t}}x_{t-1},\beta_{t}\mathbf{I})q(x1:T∣x0​​):=t=1∏T​q(xt​∣xt−1​),q(xt​∣xt−1​):=N(xt​;1−βt​​xt−1​,βt​I)

上式的意思是:由xt−1x_{t-1}xt−1​得到xtx_{t}xt​的过程,满足分布 N(xt;1−βtxt−1,βtI)\mathcal N(x_{t};\sqrt{1-\beta_{t}}x_{t-1}, \beta_{t}\mathbf{I})N(xt​;1−βt​​xt−1​,βt​I),因此噪声只由 βT\beta_{T}βT​和xt−1x_{t-1}xt−1​来确定,是一个固定值而不是一个可学习的过程。因此,只要有了 xx_{0}x0​,并且提前确定每一步的固定值β1,...,βT\beta_{1},...,\beta_{T}β1​,...,βT​,我们就可以推出任意一部的加噪数据 x1,...,xTx_{1},...,x_{T}x1​,...,xT​。值得注意的是,这里的加噪过程是一个马尔科夫链过程,即当前状态的概率只与上一时刻有关。

加噪结果

随着 ttt 的不断增大,最终原始数据 xx_{0}x0​ 会逐步失去它的特征。最终当 T→∞T\rightarrow\inftyT→∞时,xTx_{T}xT​趋近于一个各向同性的高斯分布。从视觉上看,就是将原本一张完好的照片加噪很多步后,图片几乎变成了一张完全时噪声的图片。

任意时刻 xtx_{t}xt​的计算

逐步加噪过程中,我们其实并不需要一步步地从 x,x1,...x_{0},x_{1},...x0​,x1​,... 去迭代得到 xtx_{t}xt​。事实上,我们可以直接从 xx_{0}x0​ 和固定值序列 {βT∈(,1)}t=1T\{ \beta_{T}∈(0, 1)\}_{t=1}^{T}{βT​∈(0,1)}t=1T​直接计算得到:

q(xt∣x)=N(xt;αt‾x,(1−αt‾)I)q(x_{t}|x_{0}) = \mathcal N(x_{t};\sqrt{\overline{\alpha_{t}}}x_{0}, (1-\overline{\alpha_{t}})\mathbf{I}) \\q(xt​∣x0​)=N(xt​;αt​​​x0​,(1−αt​​)I)

上式中,αt=1−βt\alpha_{t}=1-\beta_{t}αt​=1−βt​,αt‾=∏i=1Tαi\overline{\alpha_{t}}=\prod_{i=1}^T\alpha_{i}αt​​=∏i=1T​αi​,中间推导过程不再罗列。

逆扩散过程

如果我们能够将上述过程转换方法,即从q(xt−1∣xt)q(x_{t-1}|x_{t})q(xt−1​∣xt​)中采样,那么我们就可以从一个随机的高斯分布N(,I)\mathcal N(0, \mathbf{I})N(0,I)中重建出一个真实的原始样本,也就是从一个完全杂乱无章的噪声图片中得到一张真实图片。但是,由于需要从完整数据集中找到数据分布,我们没办法简单地预测q(xt−1∣xt)q(x_{t-1}|x_{t})q(xt−1​∣xt​),因此需要学习一个模型pθp_{\theta}pθ​来近似模拟这个条件概率,从而运行逆扩散过程。

pθ(x:T):=p(xT)∏t=1Tpθ(xt−1∣xt),pθ(xt−1∣xt):=N(xt−1;μθ(xt,t),∑θ(xt,t))p_{\theta}(x_{0:T}):=p(x_{T})\prod_{t=1}^{T}p_{\theta}(x_{t-1}|x_{t}), \quad p_{\theta}(x_{t-1}|x_{t}):=\mathcal N(x_{t-1};\mu_{\theta(x_{t},t),\sum_{\theta}(x_{t},t)})pθ​(x0:T​):=p(xT​)t=1∏T​pθ​(xt−1​∣xt​),pθ​(xt−1​∣xt​):=N(xt−1​;μθ(xt​,t),∑θ​(xt​,t)​)

要点分析

正向的扩散过程:

扩散过程时逐步加噪的过程扩散过程符合马尔科夫假设每一步的噪声都是高斯噪声加噪是用方差参数来控制的(预定义的超参数)正向扩散过程属于无参模型(不需要进行学习)该过程支持在任意步长采样(方便后续的训练)

逆向的扩散过程:

从高斯噪声中采样,学习一个模型估计真实的条件概率分布(从上一状态到下一状态的条件概率模型)也可以直接计算任意状态的分布,因此可以直接采样,然后和真实图像计算均方误差用一个 U-Net 结构来对 ttt 时刻的噪声进行预测逆过程的均值需要模型预测(有参),但方差采用了常数项(无参,当然有工作将其改进成有参也同样 work)伪代码

相关论文标题简称出版评语Denoising Diffusion Probabilistic ModelsDDPMNIPS 2020开山之作Denoising Diffusion Implicit ModelsDDIMICLR 2021采样提速Improved denoising diffusion probabilistic models\ICML 2021在保证高图像质量的同时提升对数似然Diffusion Models Beat GANs on Image Synthesis\NIPS 2021Diffusion Models VS. GANs(提出了带条件的扩散模型)Classifier-Free Diffusion Guidance\NIPS 2021引入等价结构替换分类器引导Hierarchical Text-Conditional Image Generation with CLIP LatentsDALL-E 2NIPS 2022OpenAI 文本生成图像Photorealistic Text-to-Image Diffusion Models with Deep Language UnderstandingImagenNIPS 2022Google 文本生成图像High-Resolution Image Synthesis with Latent Diffusion ModelsLDMCVPR 2022采样提速参考DDPM解读(一)| 数学基础,扩散与逆扩散过程和训练推理方法diffusion model最近在图像生成领域大红大紫,如何看待它的风头开始超过GAN?基于扩散模型的文本引导图像生成算法生成扩散模型漫谈(一):DDPM = 拆楼 + 建楼生成扩散模型漫谈(二):DDPM = 自回归式VAEDiffusion Model一发力,GAN就过时了?
本文链接地址:https://www.jiuchutong.com/zhishi/289631.html 转载请保留说明!

上一篇:黑沙滩上Reynisdrangar的玄武岩,冰岛 (© Cavan Images/Getty Images)(黑沙滩是什么意思)

下一篇:Linux查看SSH服务是否开启(linux查看ssh服务开启)

  • 支付宝的亲情卡在哪里查(支付宝的亲情卡怎么还款的)

    支付宝的亲情卡在哪里查(支付宝的亲情卡怎么还款的)

  • 小米10支持立体声扬声器吗(小米10s立体图)

    小米10支持立体声扬声器吗(小米10s立体图)

  • 华为p40都是5g版本手机吗(华为p40系列都是5g吗)

    华为p40都是5g版本手机吗(华为p40系列都是5g吗)

  • 与设计测试数据无关的文档是什么(设计测试数据的技术包括数据划分)

    与设计测试数据无关的文档是什么(设计测试数据的技术包括数据划分)

  • 世界上最早的相机是谁发明的(世界上最早的相机)

    世界上最早的相机是谁发明的(世界上最早的相机)

  • applepencil掉电特别快(applepencil掉电非常快)

    applepencil掉电特别快(applepencil掉电非常快)

  • 6sp是什么时候上市的(6sp什么时候上市的中国)

    6sp是什么时候上市的(6sp什么时候上市的中国)

  • 电脑腾讯会议视频没有画面怎么回事(电脑腾讯会议视频怎么翻转摄像头)

    电脑腾讯会议视频没有画面怎么回事(电脑腾讯会议视频怎么翻转摄像头)

  • 手机宽带需要网线吗(手机宽带需要什么)

    手机宽带需要网线吗(手机宽带需要什么)

  • 给对方打电话提示正忙是什么意思(给对方打电话提示手机助理)

    给对方打电话提示正忙是什么意思(给对方打电话提示手机助理)

  • opporeno3pro什么时候上市的(opporeno3pro上市多长时间了)

    opporeno3pro什么时候上市的(opporeno3pro上市多长时间了)

  • oppoa5死机了怎么重启(oppoa5手机突然死机)

    oppoa5死机了怎么重启(oppoa5手机突然死机)

  • 爱奇艺会员可以扫码登录吗(爱奇艺会员可以登录几个设备怎么弄)

    爱奇艺会员可以扫码登录吗(爱奇艺会员可以登录几个设备怎么弄)

  • 淘宝换货只能换一次吗(淘宝换货只能换几次)

    淘宝换货只能换一次吗(淘宝换货只能换几次)

  • iphonexr闪光灯怎么开(iPhonexr闪光灯怎么拆)

    iphonexr闪光灯怎么开(iPhonexr闪光灯怎么拆)

  • 快手主页链接怎么找(快手主页链接怎么发)

    快手主页链接怎么找(快手主页链接怎么发)

  • 小米6支持27w快充吗(小米6支持24w快充吗)

    小米6支持27w快充吗(小米6支持24w快充吗)

  • 苹果录屏画质怎么调整(苹果录屏画质怎么变清晰)

    苹果录屏画质怎么调整(苹果录屏画质怎么变清晰)

  • 小米手环3重启(小米手环3重启怎么连接)

    小米手环3重启(小米手环3重启怎么连接)

  • 闲鱼怎么制作付款链接(闲鱼怎么制作付款成功的截屏)

    闲鱼怎么制作付款链接(闲鱼怎么制作付款成功的截屏)

  • qq邮箱扫描功能怎么用(qq邮箱扫描功能怎么开启)

    qq邮箱扫描功能怎么用(qq邮箱扫描功能怎么开启)

  • 如何解决Win10系统任务栏假死?(如何解决win10系统复制文件速度)

    如何解决Win10系统任务栏假死?(如何解决win10系统复制文件速度)

  • React修改Antd组件样式的方法(react组件如何设置dom)

    React修改Antd组件样式的方法(react组件如何设置dom)

  • 港建费征收管理办法
  • 两个账户往来款怎么做现金流量表
  • 所得税滞纳金怎么做账
  • 职工退休金计入个人账户
  • 盘盈存货会计处理会计分录
  • 无法提供财产原值凭证
  • 委托贷款业务涉嫌诈骗吗
  • 4s店买车首付能付一成吗
  • 建筑施工企业质量体系环境包括
  • 印鉴变更手续费50元
  • 律师事务所收费单据
  • 小规模纳税人装修费用计入什么科目
  • 个人两处以上所得经营所得怎么申报
  • 资产负债表是累计记账吗
  • 计提所得税费用会计分录
  • 公司贷款评估费的做账
  • 设备定金计入哪个科目
  • 工会经费80%
  • 核定应纳税额的具体程序和方法
  • 公司购买房子涉及什么税
  • 持有至到期投资减值准备
  • 免征附加税费
  • 苹果电脑初始化设置
  • windows10如何开机启动软件
  • windows10如何更换桌面壁纸
  • 企业购入一批材料卖价5万元
  • 无形资产摊销时运用的方法有双倍余额递减法
  • 小规模纳税人增值税税收优惠政策
  • 银行承兑汇票的付款期限
  • 临时股东大会的召开情形
  • 购买预付卡如何记账
  • remind32.exe - remind32是什么进程 有什么用
  • PHPfor循环语句10的阶乘
  • 财务人员如何审核招待费报销单
  • 找潜水员
  • 弗吉尼亚理工大学美国排名
  • 为什么要划分等价类
  • css获取id
  • phpstudy ftp怎么用
  • 出租车计入什么费
  • 交易性金融资产处置时的会计核算步骤
  • 进口关税和增值税怎么做账
  • 织梦自定义字段
  • 织梦如何使用
  • 发票有别的字迹有影响吗
  • 公司两个股东变更为一个股东,需要交税么
  • 日常费用报销表格
  • 工程结算收入如何确定
  • 融资性租赁税率
  • 结转损益类科目余额
  • 购入农产品的增值税税率是多少
  • 收到上个月退税会计分录
  • 餐饮服务的监管由哪个部门负责
  • 稳定用工社保补贴怎么领
  • 老项目简易征收税率
  • ubuntul
  • macbookpro mysql
  • mysql数据库技术介绍
  • server2008开机启动项设置
  • mac双系统删除mac系统
  • 电脑开机时出现红色三角形
  • xp系统无线网络连接怎么没有
  • winio在win7下使用
  • win内存占用率过高
  • fedora系统安装软件
  • windows无法预览文件
  • linux 网页
  • js对象属性值
  • andengine学习,《android游戏开发实践指南》详解
  • perl格式化输出 %s
  • 如何优化营商环境
  • javascript有哪些
  • nodejs获取post数据
  • javascript刷新页面的几种方法
  • javascript教程
  • javascript要学到什么程度
  • 电子税务局网页版
  • 陕西省机构改革方案获批
  • 非税控发票是什么
  • 市中区税务局办税大厅上班时间
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设