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)

  • 查看电脑ip地址(查看电脑ip地址和mac地址命令)

    查看电脑ip地址(查看电脑ip地址和mac地址命令)

  • 华为matepadpro怎么开120hz(华为matepadpro怎么读)

    华为matepadpro怎么开120hz(华为matepadpro怎么读)

  • ios15.3可以戴口罩解锁吗(ios14.5可以戴口罩支付吗)

    ios15.3可以戴口罩解锁吗(ios14.5可以戴口罩支付吗)

  • 华为nova5pro能升5g吗(华为nova5pro能升级鸿蒙系统3.0吗)

    华为nova5pro能升5g吗(华为nova5pro能升级鸿蒙系统3.0吗)

  • 小米手环3触屏假死(小米手环3触屏不灵敏)

    小米手环3触屏假死(小米手环3触屏不灵敏)

  • 微信文件传输助手的文件在哪里(微信文件传输助手是真人吗)

    微信文件传输助手的文件在哪里(微信文件传输助手是真人吗)

  • xr日版无锁跟国行区别(日版无锁iphonexr)

    xr日版无锁跟国行区别(日版无锁iphonexr)

  • wps段落布局按钮隐藏了怎么出来(wps段落布局按钮怎么设置)

    wps段落布局按钮隐藏了怎么出来(wps段落布局按钮怎么设置)

  • 数值变量和分类变量的区别(数值变量和类别变量)

    数值变量和分类变量的区别(数值变量和类别变量)

  • 笔记本多久关机一次(笔记本电脑在哪关机)

    笔记本多久关机一次(笔记本电脑在哪关机)

  • 笔记本驱动坏了怎么办(笔记本驱动坏了会怎么样)

    笔记本驱动坏了怎么办(笔记本驱动坏了会怎么样)

  • 苹果有线耳机插上没反应(苹果有线耳机插上没声音)

    苹果有线耳机插上没反应(苹果有线耳机插上没声音)

  • 新版网易云音乐话题怎么查找(新版网易云音乐云盘在哪)

    新版网易云音乐话题怎么查找(新版网易云音乐云盘在哪)

  • 韩剧tv黑屏只有声音(为什么韩剧tv黑屏)

    韩剧tv黑屏只有声音(为什么韩剧tv黑屏)

  • 抖音怎么设置权限(抖音怎么设置权限不让别人评论)

    抖音怎么设置权限(抖音怎么设置权限不让别人评论)

  • 如何撤销微博账号(微博如何消除账号)

    如何撤销微博账号(微博如何消除账号)

  • 淘宝号违规操作怎么解决(淘宝违规操作降权后还可以恢复吗)

    淘宝号违规操作怎么解决(淘宝违规操作降权后还可以恢复吗)

  • 苹果oled和lcd区别(苹果的oled和lcd)

    苹果oled和lcd区别(苹果的oled和lcd)

  • 西瓜视频缓存的视频在哪个文件夹(西瓜视频缓存的电影怎么保存到手机相册)

    西瓜视频缓存的视频在哪个文件夹(西瓜视频缓存的电影怎么保存到手机相册)

  • 手机直播支架怎么安装(手机直播支架怎么安装两米1)

    手机直播支架怎么安装(手机直播支架怎么安装两米1)

  • 2600x配什么显卡(2600x搭配什么内存)

    2600x配什么显卡(2600x搭配什么内存)

  • 陌陌怎么语音聊天(陌陌语音聊天)

    陌陌怎么语音聊天(陌陌语音聊天)

  • 华为stf一al10是什么型号(华为stf—tl10)

    华为stf一al10是什么型号(华为stf—tl10)

  • 手机qq屏蔽名单在哪找(手机qq屏蔽名单怎么解除)

    手机qq屏蔽名单在哪找(手机qq屏蔽名单怎么解除)

  • 苹果手机怎样设置天气城市(苹果手机怎样设置来电铃声)

    苹果手机怎样设置天气城市(苹果手机怎样设置来电铃声)

  • 微信被拉黑申请加好友(微信被拉黑申请好友会是什么样子)

    微信被拉黑申请加好友(微信被拉黑申请好友会是什么样子)

  • 所得税汇算申报完之后可以修改吗
  • 纸质发票红冲操作流程
  • 税控盘的进项税在哪里申报
  • 2021年专项附加扣除必须要确认吗
  • 支付的检测费计入什么科目
  • 企业股权转让影响利润吗
  • 铁路运输发票的开具要求
  • 抵债资产计提折旧怎么算
  • 劳服企业可以安差额税上税吗?
  • 风险纳税人不允许领用发票
  • 施工单位项目部牌子
  • 小规模纳税人国企
  • 外贸企业出口货物会计账务处理
  • 个人转让上市公司股票交增值税吗
  • 培训的餐费入什么科目
  • 库存现金可以做中转科目嘛为什么
  • 实发工资需扣除所得税吗
  • 联营 保底
  • 在win7中,当前窗口的数量是多少个
  • 控股子公司收购母公司
  • php fork
  • php文本转数字
  • 建筑业总产值和营业收入相等吗?
  • 计提本月应缴纳的所得税
  • 来料加工方式中,料件和加工后
  • 营改增之后账务怎么处理
  • 罚款收入营业外收入还是其他应收款
  • 最高成本的手机是哪款
  • 商品零售企业一般具有什么特征
  • yii2框架从入门到精通pdf
  • torchaudio教程
  • vue如何实现登录
  • spring获取bean的完全限定类名
  • 一文通透从输入URL到页面渲染的全过程----高频面试
  • php无限分类实现不实用递归
  • java动态代理的实现方式
  • 税务端系统返回错误信息f50006
  • hashmap resize源码
  • 短期借款利息有可能资本化处理,也可能费用化处理
  • 行政事业单位福利费列支范围及标准2023
  • mongodb配置文件详解
  • mongodb unwind
  • 配电室增容验收标准
  • 物业公司收取的电费怎么确认收入
  • 普票和专票的
  • 企业收到海河工厂发运的乙材料,并验收入库
  • 应交税费会计分录完整版
  • 固定资产盘亏盘盈
  • 客户送我东西怎么办
  • 一般纳税人税种核定表
  • 保修的产品还收费吗
  • 收不回来的应收账款会计分录
  • 办理分公司的流程样本
  • 冲销以前年度多计提的折旧
  • linux命令和命令之间用
  • centos安装常用命令
  • FreeBSD mpd VPN服务器安装步骤
  • arm和x86性能差多少
  • 电脑显示器无信号键盘灯不亮
  • win7系统注册表文件损坏无法开机怎么修复
  • win10预览文件怎么显示内容
  • cocos2dx游戏开发进阶卷这本书怎么样
  • opengll
  • python中读取excel
  • python计算两个数的最大公约数
  • 3d图形学原理
  • opengl光照算法
  • css中边界margin的多种定义方法
  • android中的线程
  • nginx 执行shell
  • jquery根据value获取元素
  • python中的全局变量
  • 税控盘时钟异常去政务大厅那个窗口办理
  • 四川税务app下载安装
  • 地税局热线电话是多少
  • app平台怎么投诉商家
  • 山东地税局网上办税平台
  • 化妆品关税怎么算
  • 广东广州税务局电话
  • 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