10分钟读懂Diffusion：图解Diffusion扩散模型

数据派THU

本文通过图解的方式让大家快速了解 Diffusion 原理。

[ 导读 ]想必大家都听说过——图像领域大火的深度生成模型Diffusion Model，为了让大家快速了解 Diffusion 原理，这篇文章我们通过图解的方式。希望对你有所帮助，让你在学习和应用AIGC技术的道路上更进一步！

1 Diffusion文字生成图片——整体结构

1.1 整个生成过程

我们知道在使用 Diffusion 的时候，是通过文字生成图片，但是上一篇文章中讲的 Diffusion 模型输入只有随机高斯噪声和 time step。那么文字是怎么转换成 Diffusion 的输入的呢？加入文字后 Diffusion 又有哪些改变？下图可以找到答案。

▲ 文字生成图片全过程

实际上 Diffusion 是使用 Text Encoder 生成文字对应的 embedding（Text Encoder 使用 CLIP 模型），然后和随机噪声 embedding，time step embedding 一起作为 Diffusion 的输入，最后生成理想的图片。我们看一下完整的图：

▲ token embedding、随机噪声embedding、time embedding一起输入diffusion

上图我们看到了 Diffusion 的输入为 token embedding 和随机 embedding，time embedding 没有画出来。中间的 Image Information Creator 是由多个 UNet 模型组成，更详细的图如下：

▲ 更详细的结构

可以看到中间的 Image Information Creator 是由多个 UNet 组合而成的，关于 UNet 的结构我们放在后面来讲。现在我们了解了加入文字 embedding 后 Diffusion 的结构，那么文字的 embedding 是如何生成的？接下来我们介绍下如何使用 CLIP 模型生成文字 embedding。

1.2 使用CLIP模型生成输入文字embedding

CLIP 在图像及其描述的数据集上进行训练。想象一个看起来像这样的数据集，包含 4 亿张图片及其说明：

▲ 图像及其文字说明

实际上 CLIP 是根据从网络上抓取的图像及其文字说明进行训练的。CLIP 是图像编码器和文本编码器的组合，它的训练过程可以简化为给图片加上文字说明。首先分别使用图像和文本编码器对它们进行编码。

然后使用余弦相似度刻画是否匹配。最开始训练时，相似度会很低。

然后计算 loss，更新模型参数，得到新的图片 embedding 和文字 embedding。

通过在训练集上训练模型，最终得到文字的 embedding 和图片的 embedding。有关 CLIP 模型的细节，可以参考对应的论文：

https://arxiv.org/pdf/2103.00020.pdf

1.3 UNet网络中如何使用文字embedding

前面已经介绍了如何生成输入文字 embedding，那么 UNet 网络又是如何使用的？实际上是在 UNet 的每个 ResNet 之间添加一个 Attention，而 Attention 一端的输入便是文字 embedding。如下图所示：

更详细的图如下：

2 扩散模型Diffusion

前面介绍了 Diffusion 是如何根据输入文字生成图片的，让大家有个大概的了解，接下来会详细介绍扩散模型 Diffusion 是如何训练的，又是如何生成图片的。

2.1 扩散模型Duffison的训练过程

▲ 扩散模型Diffusion

Diffusion 模型的训练可以分为两个部分：

1. 前向扩散过程（Forward Diffusion Process）→图片中添加噪声；

2. 反向扩散过程（Reverse Diffusion Process）→去除图片中的噪声。

2.2 前向扩散过程

前向扩散过程是不断往输入图片中添加高斯噪声。

2.3 反向扩散过程

反向扩散过程是将噪声不断还原为原始图片。

2.4 训练过程

在每一轮的训练过程中，包含以下内容：

1. 每一个训练样本选择一个随机时间步长 t。

2. 将 time step t 对应的高斯噪声应用到图片中。

3. 将 time step 转化为对应 embedding。

下面是每一轮详细的训练过程：

2.5 从高斯噪声中生成原始图片（反向扩散过程）

上图的 Sample a Gaussian 表示生成随机高斯噪声，Iteratively denoise the image 表示反向扩散过程，如何一步步从高斯噪声变成输出图片。可以看到最终生成的 Denoised image 非常清晰。

补充1：UNet模型结构

前面已经介绍了 Diffusion 的整个过程，这里补充以下 UNet 的模型结构，如下图所示。

这里面 Downsampe、Middle block、Upsample 中都包含了 ResNet 残差网络。

补充2：Diffusion模型的缺点及改进版——Stable Diffusion

前面我们在介绍整个文字生成图片的架构中，图里面用的都是 Stable Diffusion，后面介绍又主要介绍的是 Diffusion。其实 Stable Diffusion 是 Diffusion 的改进版。

Diffusion 的缺点是在反向扩散过程中需要把完整尺寸的图片输入到 U-Net，这使得当图片尺寸以及 time step t 足够大时，Diffusion 会非常的慢。Stable Diffusion 就是为了解决这一问题而提出的。后面有时间再介绍下 Stable Diffusion 是如何改进的。

补充3：UNet网络同时输入文字embedding

在第 2 节介绍 Diffusion 原理的时候，为了方便，都是没有把输入文字 embedding 加进来，只用了 time embedding 和随机高斯噪声，怎么把文字 embedding 也加进来可以参考前面的 1.3 节。

补充4：DDPM为什么要引入时间步长t

引入时间步长 t 是为了模拟一个随时间逐渐增强的扰动过程。每个时间步长 t 代表一个扰动过程，从初始状态开始，通过多次应用噪声来逐渐改变图像的分布。因此，较小的 t 代表较弱的噪声扰动，而较大的 t 代表更强的噪声扰动。

这里还有一个原因，DDPM 中的 UNet 都是共享参数的，那如何根据不同的输入生成不同的输出，最后从一个完全的一个随机噪声变成一个有意义的图片，这还是一个非常难的问题。我们希望这个 UNet 模型在刚开始的反向过程之中，它可以先生成一些物体的大体轮廓，随着扩散模型一点一点往前走，然后到最后快生成逼真图像的时候，这时候希望它学习到高频的一些特征信息。由于 UNet 都是共享参数，这时候就需要 time embedding 去提醒这个模型，我们现在走到哪一步了，现在输出是想要粗糙一点的，还是细致一点的。

所以加入时间步长 t 对生成和采样过程都有帮助。

补充5：为什么训练过程中每一次引入的是随机时间步长 t

我们知道模型在训练过程中 loss 会逐渐降低，越到后面 loss 的变化幅度越小。如果时间步长是递增的，那么必然会使得模型过多的关注较早的时间步长（因为早期 loss 大），而忽略了较晚的时间步长信息。

©作者 | 绝密伏击

单位 | 奇虎360高级算法专家

参考文献：

https://medium.com/@steinsfu/stable-diffusion-clearly-explained-ed008044e07e

http://jalammar.github.io/illustrated-stable-diffusion/

https://pub.towardsai.net/getting-started-with-stable-diffusion-f343639e4931

https://zhuanlan.zhihu.com/p/597924053

https://zhuanlan.zhihu.com/p/590840909?

https://arxiv.org/abs/2103.00020