Diffusion Models, CLIP与 DALLE 的学习与感悟

整合了一下关于Diffusion Models, CLIP与 DALLE 的介绍，应用，以及后续的拓展路线。

(Generative) Diffusion Models

还是先横向对一下最近比较火的几个生成模型 GAN、VAE、Flow-based Models、Diffusion Models。

在这里，可以将Diffusion Models更多的理解成拆分成多个步骤的图像还原过程，由于图像是在整个网络中逐步还原的，且不同的时序步之间，只有n-1与n相关，其他时序步与n无关，那么就能构建出一条单通路的时序处理网络，如图所示。整个Diffusion Model的精髓就在于通过噪声（可以理解成一种掩码）将图像遮盖以获得自监督的图像对，且该图像对在单次训练中可以自动生成非常多（同时为逐步恢复的图像序列）。如下图所示。

引入定义："Diffusion probabilistic model is parameterized Markov chain trained using variational inference to produce samples matching the data after finite time.”

Variational inference： “variational inference是一種近似複雜分佈的數學方法。而在 deep learning中最知名的一個情境就是訓練 VAE時使用的 variational bound on negative log likelihood。Diffusion model的過程其實跟 VAE有幾分相似，我們可以把 diffusion model想像成一個 encoder是固定的 VAE，然後對每個停下來的點都可以當成是 VAE裡面的 latent z，那就可以用跟 VAE的 variational lower bound寫出 p(x)的 lower bound。”

个人理解：虽然此处引入了马尔科夫链的概念以定义扩散模型，利用了一个序列变化的过程来解释（模拟）模型学习到图像特征的过程。但是从模型训练的角度来说，我认为该过程更像是一个“类微积分”的掩码训练过程，也就是将模型训练细分到更长的流程，每一步都使用了掩码作为干扰，来使模型进行“自监督”的训练。同时，由于是一种自监督过程，也不用担心数据不够，故可以由此训练超大量参数的模型，作为一种大预训练模型使用，类比GPT3.

CLIP：Contrastive Language-Image Pre-training

Intuitions of CLIP:

1. 现有CV模型大多都只能预测已知的图像类别，对于没有见过的图像类别，需要额外的信息才能识别。那么文本其实就提供了这样的额外信息。所以利用图像对应的文本数据，也许就能使模型能够分辨未见类的图像。
2. GPT3等大规模的无监督数据训练模型，可以在多个下游任务上获得非常好的结果，有些甚至超过使用人工标注的数据训练出的模型。
3. 多模态数据的对齐，可能对图像描述与场景理解产生共鸣。

基于对比学习的模型预训练：CLIP的预训练任务是预测给定的图像和文本是否是一对（paired），使用对比学习（contrastive learning）的loss。直接将image对应的text sentence作为一个整体，来判断text和image是否是一对。对于一个包含N个图像-文本对的batch而言，其中正样本是每张图像及其对应的文本，一共有N个，而其他所有图像和文本的组合都是不成对的，也就是负样本是N×N-N个。

如图所示，每一个T代表一句话，一个I代表一张图，那么在对角线的样本对为正样本，其余的为负样本。CLIP将图像和文本先分别输入一个图像编码器image_encoder和一个文本编码器text_encoder，得到图像和文本的向量表示 I-f 和 T_f 。然后将图像和文本的向量表示映射到一个joint multimodal sapce，得到新的可直接进行比较的图像和文本的向量表示 I_e 和T_e （这是多模态学习中常用的一种方法，不同模态的数据表示之间可能存在gap，无法进行直接的比较，因此先将不同模态的数据映射到同一个多模态空间，有利于后续的相似度计算等操作）。然后计算图像向量和文本向量之间的cosine相似度。最后，对比学习的目标函数就是让正样本对的相似度较高，负样本对的相似度较低。

通过自监督的方式尽心训练，打破了原有的label-image的标签学习过程，让预训练的图像模型有机会识别未见过的图像（但是见过文本，故也称为是zeroshot）。预计它之后在图像领域会作为预训练模型，有更多的应用，如套用prompt learning 的下游任务对接。

不过，尽管CLIP在识别常见物体上表现良好，但在如计算图像中物品数量、预测图片中物品的位置距离等更抽象、复杂的任务上，“zero-shot”CLIP表现仅略胜于随机分类，而在区分汽车模型、飞机型号或者花卉种类时，CLIP也不好。且对于预训练阶段没有出现过的图像，CLIP泛化能力也很差。例如，尽管CLIP学习了OCR，但评估MNIST数据集的手写数字上，“zero-shot”CLIP准确率只达到了88％，远低于人类在数据集中的99.75％精确度。最后，研究人员发现，CLIP的“zero-shot”分类器对单词构造或短语构造比较敏感，但有时还是需要试验和错误“提示引擎”的辅助，才能表现良好。

启发~ 对于对齐sentence与image，而不是words与image的原因：文中最开始也尝试了基于预测的方法，根据image的信息预测对应的文本的每个词是什么。然而由于对于一个图像的描述可以有很多种，因此预测一个图像具体的描述词是一个非常困难的任务，导致模型收敛存在问题。因此，CLIP使用对比学习的方法，将任务简单化，只去判断图文pair是否匹配，极大提升了模型收敛速度。

CLIP Models are Few-shot Learners：

这是另一篇CLIP的衍生论文，文章对预训练CLIP的后续使用进行了讨论，这里拿出其中一个实验分析。

文中希望验证的另一个点是，CLIP这种多模态模型，image侧的encoder和text侧的encoder是否有很强的跨模态能力，即两个encoder的表示在隐空间中是完全对齐的。为了验证这个问题，作者将预训练CLIP的参数固定不动，使用纯文本的caption和hypothesis训练一个文本蕴含任务的分类器。接下来，对于图像-文本的蕴含任务，将图像侧信息输入到image encoder中，文本侧仍然输入到text encoder中，使用基于文本训练好的分类器进行预测。这样其实是只用文本蕴含任务的数据训练，得到了图文蕴含任务的模型，是zero-shot learning。这个过程的简单示意图如下：

结果：表面上看还不错，同时该文作者人分析说通过文本-文本的数据训练模型，整体上可以拟合图像-文本的蕴含任务。但是我认为这个实验有点点不足以证明图像-文本与文本-文本的对齐能力。一方面是因为任务本身比较简单，同时对于文本与图像的描述统一性上，该实验也未见得考虑完全。所以谨慎看好这部分~

总结：CLIP对下游任务的影响，与GPT3相似，比较考验prompts的构造，不同的构造方式，对于最终的结果，差别很大。又一次需要Prompts engineering了。

DALL.E

DALL-E与GPT-3非常相似，它也是一个transformer语言模型，接收文本和图像作为输入，以多种形式输出最终转换后的图像。它可以编辑图像中特定对象的属性，

在第一个阶段，将256×256的图片分为32×32个patch，然后使用训练好的离散VAE模型的encoder将每个patch映射到大小为8192的词表中，最终一张图片转为用1024个token表示。在第二个阶段，使用BPE-encoder对文本进行编码，得到最多256个token，token数不满256的话padding到256；再将256个文本token与1024个图像token进行拼接，得到长度为1280的数据；最终将拼接的数据输入训练好的具有120亿参数的Transformer模型。在第三个阶段，对模型生成的图像进行采样，并使用同期发布的CLIP模型[2]对采样结果进行排序，从而得到与文本最匹配的生成图像。DALLE包括三个独立训练得到的模型：dVAE，Transformer和CLIP，其中dVAE的训练与VAE基本相同，Transformer采用类似GPT-3的生成式预训练方法。DALL-E在深度学习能力边界探索的道路上又前进了一步，也再一次展示了大数据和超大规模模型的魅力。美中不足的是，DALL-E包含了三个模块，更像是一个pipeline。

DALL.E mini

Mini 是在DALLE还未发布正版时，外界仿真出的一个模型，构建思路也很有意思。模型结构如下图，在训练过程中，输入图像和文本对。图像通过一个VQGAN编码器进行编码，该编码器将图像转化一系列token。文本通过一个BART编码器进行编码。BART编码器的输出和编码后的图像被送入BART解码器，这是一个自动回归模型，其目标是预测下一个token。损失函数是预测文本token和图像token的softmax交叉熵。

在推理时，只使用sentence，用于生成图像：sentence通过BART编码器进行编码。一个标记（识别 "Beginning Of Sequence "的特殊标记）通过BART解码器输入。根据解码器，预测下一个token的分布，对图像token进行顺序生成。图像token的序列通过VQGAN解码器进行解码。CLIP用于选择最佳生成的图像。

Imagen：基于扩散模型与预训练语言模型处理的图像生成

Imagen使用在纯文本语料中进行预训练的通用大型语言模型(例如T5)，它能够非常有效地将文本合成图像：在Imagen中增加语言模型的大小，而不是增加图像扩散模型的大小，可以大大地提高样本保真度和图像-文本对齐。

参考文章，部分内容截取自：
【1】Diffusion Models：生成扩散模型
【2】What are Stable Diffusion Models and Why are they a Step Forward for Image Generation?
【3】What are Diffusion Models?
【4】扩散模型 Diffusion Models - 原理篇
【5】DALL·E 2 解读 | 结合预训练CLIP和扩散模型实现文本-图像生成
【6】详解CLIP (一) | 打通文本-图像预训练实现ImageNet的zero-shot分类，比肩全监督训练的ResNet50/101
【7】预训练CLIP模型的强大威力
【8】實作理解Diffusion Model: 來自DDPM的簡化概念