论文阅读：Improved Denoising Diffusion Probabilistic Models
本文是对ddpm简单的修改，但是能提高ddpm的性能
论文下载地址：https://proceedings.mlr.press/v139/nichol21a.html
我们发现反向过程中可学习的方差允许一个数量级的采样，样本质量的差异可以忽略不计，这对于模型的实际部署很厉害。
- 关于变分下界的优化
使用简单的重参数化技巧学习优化变分下界。反向过程的方差使用简单的重参数化技巧和一个混合的目标vlb函数。
这样的变化导致少的采样步数，但是发生了很小的质量改变
-
在实际训练中，关于 μ ( x t , t ) \mu(x_t,t) μ(xt,t)的参数化的方式
-
使用网络预测 x 0 x_0 x0,然后使用公式
μ ˉ ( x t , x 0 ) : = a ˉ t − 1 β t 1 − α ˉ t + α t ( 1 − α ˉ t − 1 ) 1 − α ˉ t x t \bar{\mu } (x_t,x_0):=\frac{\sqrt{\bar{a}_{t-1}}\beta_t}{1-\bar{\alpha} _t} +\frac{\sqrt{\alpha _t}(1-\bar{\alpha }_{t-1} ) }{1-\bar{\alpha } _t}x_t μˉ(xt,x0):=1−αˉtaˉt−1βt+1−αˉtαt(1−αˉt−1)xt可以得到均值。 -
也可以使用网络预测 ε \varepsilon ε,然后使用
x t = α ˉ t x 0 + ( 1 − α ˉ t ) I x_t=\sqrt{\bar{\alpha}}_tx_0+(\sqrt{1-\bar{\alpha}}_t)I xt=αˉtx0+(1−αˉt)I
μ ˉ ( x t , x 0 ) : = a ˉ t − 1 β t 1 − α ˉ t + α t ( 1 − α ˉ t − 1 ) 1 − α ˉ t x t \bar{\mu } (x_t,x_0):=\frac{\sqrt{\bar{a}_{t-1}}\beta_t}{1-\bar{\alpha} _t} +\frac{\sqrt{\alpha _t}(1-\bar{\alpha }_{t-1} ) }{1-\bar{\alpha } _t}x_t μˉ(xt,x0):=1−αˉtaˉt−1βt+1−αˉtαt(1−αˉt−1)xt去生成均值 μ ˉ ( x t , x 0 ) \bar{\mu } (x_t,x_0) μˉ(xt,x0)
目前这种方法是最好的，尤其是结合重新加权的损失函数
L simple = E t , x 0 , ϵ [ ∥ ϵ − ϵ θ ( x t , t ) ∥ 2 ] L_{\text {simple }}=E_{t, x_{0}, \epsilon}\left[\left\|\epsilon-\epsilon_{\theta}\left(x_{t}, t\right)\right\|^{2}\right] Lsimple =Et,x0,ϵ[∥ϵ−ϵθ(xt,t)∥2]
原本的lvb损失
L v l b : = L 0 + L 1 + … + L T − 1 + L T L_{\mathrm{vlb}} :=L_{0}+L_{1}+\ldots+L_{T-1}+L_{T} Lvlb:=L0+L1+…+LT−1+LT
L 0 : = − log p θ ( x 0 ∣ x 1 ) L_{0} :=-\log p_{\theta}\left(x_{0} \mid x_{1}\right) L0:=−logpθ(x0∣x1)
L t − 1 : = D K L ( q ( x t − 1 ∣ x t , x 0 ) ∣ ∣ p θ ( x t − 1 ∣ x t ) ) L_{t-1}:=D_{K L}(q\left(x_{t-1} \mid x_{t}, x_{0}\right)|| p_{\theta}(x_{t-1}|x_{t})) Lt−1:=DKL(q(xt−1∣xt,x0)∣∣pθ(xt−1∣xt))
L T : = D K L ( q ( x T ∣ x 0 ) ∥ p ( x T ) ) L_{T} :=D_{K L}\left(q\left(x_{T} \mid x_{0}\right) \| p\left(x_{T}\right)\right) LT:=DKL(q(xT∣x0)∥p(xT))
对数似然的改进
为研究不同流形上的作用，在image net64*64 上训练固定的模型结构使用固定的超参数。
- 不同的实验设置对比
| 方法 | ho（2020） | our |
|---|---|---|
| 损失函数及参数设置 | L s i m p l e L_{simple} Lsimple & σ 2 = β t \sigma^2=\beta_t σ2=βt & T = 10000 T=10000 T=10000 | L h y b r i d = L simple + λ L v l b , λ = 0.001 L_{\mathrm{hybrid}}=L_{\text {simple }}+\lambda L_{\mathrm{vlb}},\lambda = 0.001 Lhybrid=Lsimple +λLvlb,λ=0.001 |
| 训练轮数 | 200k | |
| T | 1000 | 4000 |
| 数据集 | image_net64*64 | |
| 实验结果 | 3.99 | 3.77 |
学习 Σ θ ( x t , t ) \Sigma_{\theta}\left(x_{t}, t\right) Σθ(xt,t)
-
在无限步长的扩散的过程条件下，方差的作用远没有均值对实验结果的影响大。或者说，方差几乎不发挥作用。
-
实验中，我们发现扩散过程前几步对整个扩散过程很重要。于是，通过使用更好的 Σ θ ( x t , t ) \Sigma_{\theta}\left(x_{t}, t\right) Σθ(xt,t)可以很大程度上提高对数释然。
-
合理的 Σ θ ( x t , t ) \Sigma_{\theta}\left(x_{t}, t\right) Σθ(xt,t)的范围很小，对于神经网络去寻找一个合理的 Σ θ ( x t , t ) \Sigma_{\theta}\left(x_{t}, t\right) Σθ(xt,t)不是容易的，
-
我们发现更好的参数化 Σ θ ( x t , t ) \Sigma_{\theta}\left(x_{t}, t\right) Σθ(xt,t)是差值 β ˉ t \bar{\beta}_t βˉt和 β t \beta_t βt在对数域。我们的模型输出 v v v,每个维度包含一个分量，然后将这个输出转换为如下方差：
Σ θ ( x t , t ) = exp ( v log β t + ( 1 − v ) log β ~ t ) \Sigma_{\theta}\left(x_{t}, t\right)=\exp \left(v \log \beta_{t}+(1-v) \log \tilde{\beta}_{t}\right) Σθ(xt,t)=exp(vlogβt+(1−v)logβ~t) -
t r i c k {\color{Red}trick } trick
stop- gradient
改善噪声机制
线性噪声机制对于高分辨率图像很好，在分辨率小的图像上结果次优。ddpm中的前向加噪过程对采样过程没有太大的贡献。
- 原本的加噪机制：
q ( x 1 , … , x T ∣ x 0 ) : = ∏ t = 1 T q ( x t ∣ x t − 1 ) q(x_{1}, \dots, x_{T} | x_{0}) :=\prod_{t=1}^{T} q\left(x_{t} \mid x_{t-1}\right) q(x1,…,xT∣x0):=∏t=1Tq(xt∣xt−1)
q ( x t ∣ x t − 1 ) : = N ( x t ; 1 − β t x t − 1 , β t I ) q(x_{t}| x_{t-1}):=\mathcal{N}\left(x_{t} ; \sqrt{1-\beta_{t}} x_{t-1}, \beta_{t} \mathbf{I}\right) q(xt∣xt−1):=N(xt;1−βtxt−1,βtI)
对任何时刻的加噪样本：
q ( x t ∣ x 0 ) = N ( x t ; α ˉ t x 0 , ( 1 − α ˉ t ) I ) x t = α ˉ t x 0 + 1 − α ˉ t ϵ \begin{aligned} q\left(x_{t} \mid x_{0}\right) &=\mathcal{N}\left(x_{t} ; \sqrt{\bar{\alpha}_{t}} x_{0},\left(1-\bar{\alpha}_{t}\right) \mathbf{I}\right) \\ x_{t} &=\sqrt{\bar{\alpha}_{t}} x_{0}+\sqrt{1-\bar{\alpha}_{t}} \epsilon \end{aligned} q(xt∣x0)xt=N(xt;αˉtx0,(1−αˉt)I)=αˉtx0+1−αˉtϵ
-
加噪机制的改进：
α ˉ t = f ( t ) f ( 0 ) , f ( t ) = cos ( t / T + s 1 + s ⋅ π 2 ) 2 \bar{\alpha}_{t}=\frac{f(t)}{f(0)}, \quad f(t)=\cos \left(\frac{t / T+s}{1+s} \cdot \frac{\pi}{2}\right)^{2} αˉt=f(0)f(t),f(t)=cos(1+st/T+s⋅2π)2
其中：
β t = 1 − α ˉ t α ˉ t − 1 \beta_{t}=1-\frac{\bar{\alpha}_{t}}{\bar{\alpha}_{t-1}} βt=1−αˉt−1αˉt- 为了防止开始时 β t , t = 0 \beta_t,t=0 βt,t=0太小，使得网络在预测噪声的时候很困难。我们让 β 0 \sqrt{\beta_0} β0=1/127.5=0.008。
- 在实际中使用 c o s 2 cos^2 cos2
- 不同的 L v l b L_{vlb} Lvlb有不同边际。采样t均匀的会引起没必要的噪声在 L v l b L_{vlb} Lvlb中。我们使用重要性采样：
L v l b = E t ∼ p t [ L t p t ] , where p t ∝ E [ L t 2 ] and ∑ p t = 1 L_{\mathrm{vlb}}=E_{t \sim p_{t}}\left[\frac{L_{t}}{p_{t}}\right] \text {, where } p_{t} \propto \sqrt{E\left[L_{t}^{2}\right]} \text { and } \sum p_{t}=1 Lvlb=Et∼pt[ptLt], where pt∝E[Lt2] and ∑pt=1,由于
E [ L t 2 ] E\left[L_{t}^{2}\right] E[Lt2]是未知的，可能在整个训练过程中发生变化。于是，我们的每个损失保持10个值的历史，并在训练期间动态更新。训练开始，我们均匀的采样十个样本， t ∈ [ 0 , T − 1 ] t \in[0, T-1] t∈[0,T−1]。
总结
- 损失函数的改进
- 噪声机制使用cos