【深度学习】UNIT-DDPM核心讲解

文章目录

- - 大致介绍：
  - 扩散损失：
  - 转换损失：
  - 循环一致性损失：
  - 推理过程：
  - 优缺点：

参考文章：
https://blog.csdn.net/ssshyeong/article/details/127210086
这篇文章对整个文章 UNIT-DDPM: UNpaired Image Translation with Denoising Diffusion Probabilistic Models进行了从头到尾的讲解，可以看一下。在此写一下自己的理解。

大致介绍：

这篇论文提出了一种新的图像翻译方法，即无配对的图像翻译，基于Denoising Diffusion Probabilistic Models（DDPM）。传统的无配对图像翻译方法通常使用对抗生成网络（GAN）或变分自编码器（VAE）来模拟两种语言之间的映射，但这些方法通常需要大量配对的数据来训练模型。而本文提出的方法则不需要配对的数据，因为它使用DDPM来学习两种语言之间的映射。DDPM是一种基于概率模型的去噪方法，可以通过对噪声进行多次迭代来生成清晰图像。本文将DDPM应用于无配对图像翻译，通过对两种语言图片进行多次迭代训练，可以获得较好的翻译效果。

具体来说，本文的方法分为两个步骤：训练阶段和生成阶段。在训练阶段，将DDPM应用于两种语言的图片数据集上，训练出两个DDPM模型。在生成阶段，通过交替对两个DDPM模型进行迭代，将一个语言的图片转换成另一个语言的图片。

本文的方法相对于传统方法的优点是不需要配对的数据，而且生成的图片具有一定的多样性和清晰度。但缺点是训练时间相对较长，因为DDPM模型需要进行多次迭代训练。

总之，本文提出了一种新的无配对图像翻译方法，通过应用DDPM模型实现了两种语言之间的图片转换，为跨语言翻译和相关领域的研究提供了新思路。

图解：
在这里插入图片描述
可以看到，本文使用两个扩散过程（源域和目标域的扩散），以及两个转换函数（将源域转到目标域和将目标域转到源域），也就是图像翻译。
为了使两个域之间能够转换，本文将最p过程进行了修改，使其带有条件。

扩散损失：

首先训练扩散过程中的参数：
在这里插入图片描述
依次排列括号里面的公式：A在t时刻的扩散图像；首先将A域图像转到B上，然后使用A域的扩散得到扩散图像，时刻t （先翻译，后扩散）
B在t时刻的扩散图像；首先将B域图像转到A上，然后使用B域的扩散得到扩散图像；时刻t。

转换损失：

接下来训练翻译函数，固定A和B的扩散参数：
在这里插入图片描述
依次罗列括号里面的公式：
先将B域图像转到A域，然后得到t时刻的扩散图像（A域上）；B域图像在t时刻的扩散图像（B域上）；时刻t。
B域图像在t时刻的扩散图像（B域上）；首先将B域图像转到A上，然后使用B域的扩散得到扩散图像（B域上）；时刻t。
后面一个类似。