Stable Diffusion原理

一、Diffusion扩散理论

1.1、 Diffusion Model（扩散模型）

Diffusion扩散模型分为两个阶段：前向过程 + 反向过程

• 前向过程：不断往输入图片中添加高斯噪声来破坏图像
• 反向过程：使用一系列马尔可夫链逐步将噪声还原为原始图片

前向过程 ——>图片中添加噪声
反向过程——>去除图片中的噪声

1.2、 训练过程：U-Net网络

在每一轮的训练过程中，包含以下内容：

1. 每一个训练样本对应一个随机时刻向量time step，编码时刻向量t转化为对应的time step Embedding向量；
2. 将时刻向量t对应的高斯噪声ε应用到图片中，得到噪声图Noisy image；
3. 将成组的time step Embedding向量、Noisy image注入到U-Net训练；
4. U-Net输出预测噪声Predicted noise，与真实高斯噪声True noise ε，构建损失。

下图是每个Epoch详细的训练过程：

1.3、 推理过程：反向扩散

噪声图Noisy image经过训练后的U-Net网络，会得到预测噪声Predicted Noisy，而：去噪图Denoised image = 噪声图Noisy image - 预测噪声图Predicted Noisy。（计算公式省略了具体的参数，只表述逻辑关系）

1.4、 补充：U-Net结构

U-Net的模型结构就是一个编-解码的过程，下采样Downsample、中间块Middle block、上采样Upsample中都包含了ResNet残差网络

1、主干网络做特征提取；2、加强网络做特征组合；3、预测网络做预测输出；

1.5、补充：DM扩散模型的缺点

1. Diffusion Model是在原图上完成前向、反向扩散过程，计算量巨大；
2. Diffusion Model只与时刻向量t产生作用，生成的结果不可控；

---

二、Stable Diffusion原理

为改善DM扩散模型的缺点，Stable Diffusion引入图像压缩技术，在低维空间完成扩散过程；并添加CLIP模型，使文本-图像产生关联。

2.1、Stable Diffusion的改进点

1. 图像压缩：DM扩散模型是直接在原图上进行操作，而Stale Diffusion是在较低维度的潜在空间上应用扩散过程，而不是使用实际像素空间，这样可以大幅减少内存和计算成本；
2. 文本-图像关联：在反向扩散过程中对U-Net的结构做了修改，使其可以添加文本向量Text Embedding，使得在每一轮的去噪过程中，让输出的图像与输入的文字产生关联；

2.2、Stable Diffusion的生成过程

Stable Diffusion在实际应用中的过程：原图——经过编码器E变成低维编码图——DM的前向过程逐步添加噪声，变成噪声图——T轮U-Net网络完成DM的反向过程——经过解码器D变成新图。

1. Stable Diffusion会事先训练好一个编码器E、解码器D，来学习原始图像与低维数据之间的压缩、还原过程；
2. 首先通过训练好的编码器E ，将原始图像压缩成低维数据，再经过多轮高斯噪声转化为低维噪声Latent data；
3. 然后用低维噪声Latent data、时刻向量t、文本向量Text Embedding、在U-Net网络进行T轮去噪，完成反向扩散过程；
4. 最后将得到的低维去噪图通过训练好的解码器D，还原出原始图像，完成整个扩散生成过程。

2.3、补充：CLIP模型详解

CLIP(Contrastive Language-Image Pre-Training) 模型是 OpenAI 在 2021 年初发布的用于匹配图像和文本的预训练神经网络模型，是近年来在多模态研究领域的经典之作。OpenAI 收集了 4 亿对图像文本对（一张图像和它对应的文本描述），分别将文本和图像进行编码，使用 metric learning进行训练。希望通过对比学习，模型能够学习到文本-图像对的匹配关系。

CLIP的论文地址

CLIP模型共有3个阶段：1阶段用作训练，2、3阶段用作推理。

1. Contrastive pre-training：预训练阶段，使用图片 - 文本对进行对比学习训练；
2. Create dataset classifier from label text：提取预测类别文本特征；
3. Use for zero-shot predictiion：进行 Zero-Shot 推理预测；

2.3.1、训练阶段

通过计算文本和目标图像的余弦相似度从而获取预测值。CLIP模型主要包含以下两个模型；

• Text Encoder：用来提取文本的特征，可以采用NLP中常用的text transformer模型；
• Image Encoder：用来提取图像的特征，可以采用常用CNN模型或者vision transformer模型；

这里举例一个包含N个文本-图像对的训练batch，对提取的文本特征和图像特征进行训练的过程：

1. 输入图片 —> 图像编码器 —> 图片特征向量；输入文字 —> 文字编码器 —> 文字特征向量；并进行线性投射，得到相同维度；
2. 将N个文本特征和N个图像特征两两组合，形成一个具有N²个元素的矩阵；
3. CLIP模型会预测计算出这N²个文本-图像对的相似度（文本特征和图像特征的余弦相似性即为相似度）；
4. 对角线上的N个元素因为图像-标签对应正确被作为训练的正样本，剩下的N²-N个元素作为负样本；
5. CLIP的训练目标就是最大化N个正样本的相似度，同时最小化N²-N个负样本的相似度；

2.3.2、推理过程

CLIP的预测推理过程主要有以下两步：

1. 提取预测类别的文本特征：由于CLIP 预训练文本端的输出输入都是句子，因此需要将任务的分类标签按照提示模板 (prompt template)构造成描述文本（由单词构造成句子）：A photo of {object}.，然后再送入Text Encoder得到对应的文本特征。如果预测类别的数目为N，那么将得到N个文本特征。
2. 进行 zero-shot 推理预测：将要预测的图像送入Image Encoder得到图像特征，然后与上述的N个文本特征计算余弦相似度（和训练过程一致），然后选择相似度最大的文本对应的类别作为图像分类预测结果。进一步地，可以将这些相似度看成输入，送入softmax后可以得到每个类别的预测概率。

2.3.3、补充：zero-shot 零样本学习

zero-shot ：零样本学习，域外泛化问题。利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集，期间需要借助类别的描述，来建立训练集和测试集之间的联系，从而使得模型有效。

可以发现CLIP其实就是两个模型：视觉模型 + 文本模型。

在计算机视觉中，即便想迁移VGG、MobileNet这种预训练模型，也需要经过预训练、微调等手段，才能学习数据集的数据特征，而CLIP可以直接实现zero-shot的图像分类，即不需要任何训练数据，就能在某个具体下游任务上实现分类，这也是CLIP亮点和强大之处。

我的猜测：CLIP的zero-shot能力是依赖于它预训练的4亿对图像-文本对，样本空间涵盖的太大，并不是真正的零样本学习，和解决域外泛化问题。和人脸比对的原理相似，依靠大量样本来学习分类对象的特征空间。人脸比对是image-to-image，CLIP是 image-to-text。

2.3.4、代码： CLIP实现zero-shot分类

OpenAI有关CLIP的代码链接地址

2.3.4.1、图像数据、文本数据

向模型提供8个示例图像及其文本描述，并比较相应特征之间的相似性

# images in skimage to use and their textual descriptions
descriptions = {
    "page": "a page of text about segmentation",
    "chelsea": "a facial photo of a tabby cat",
    "astronaut": "a portrait of an astronaut with the American flag",
    "rocket": "a rocket standing on a launchpad",
    "motorcycle_right": "a red motorcycle standing in a garage",
    "camera": "a person looking at a camera on a tripod",
    "horse": "a black-and-white silhouette of a horse", 
    "coffee": "a cup of coffee on a saucer"
}

2.3.4.2、计算余弦相似度

2.3.4.3、Zero-Shot图像分类

from torchvision.datasets import CIFAR100

cifar100 = CIFAR100(os.path.expanduser("~/.cache"), transform=preprocess, download=True)

text_descriptions = [f"This is a photo of a {label}" for label in cifar100.classes]
text_tokens = clip.tokenize(text_descriptions).cuda()

with torch.no_grad():
    text_features = model.encode_text(text_tokens).float()
    text_features /= text_features.norm(dim=-1, keepdim=True)

text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)
top_probs, top_labels = text_probs.cpu().topk(5, dim=-1)

plt.figure(figsize=(16, 16))

for i, image in enumerate(original_images):
    plt.subplot(4, 4, 2 * i + 1)
    plt.imshow(image)
    plt.axis("off")

    plt.subplot(4, 4, 2 * i + 2)
    y = np.arange(top_probs.shape[-1])
    plt.grid()
    plt.barh(y, top_probs[i])
    plt.gca().invert_yaxis()
    plt.gca().set_axisbelow(True)
    plt.yticks(y, [cifar100.classes[index] for index in top_labels[i].numpy()])
    plt.xlabel("probability")

plt.subplots_adjust(wspace=0.5)
plt.show()

2.4、补充：Stable Diffusion训练的四个主流AI模型

1. Dreambooth：会使用正则化。通常只用少量图片做输入微调，就可以做一些其他扩散模型不能或者不擅长的事情——具备个性化结果的能力，既包括文本到图像模型生成的结果，也包括用户输入的任何图片；
2. text-inversion：通过控制文本到图像的管道，标记特定的单词，在文本提示中使用，以实现对生成图像的细粒度控制；
3. LoRA：大型语言模型的低阶自适应，简化过程降低硬件需求；
4. Hypernetwork：这是连接到Stable Diffusion模型上的一个小型神经网络，是噪声预测器U-Net的交叉互视（cross-attention）模块；

四个主流模型的区别：

• Dreambooth最直接但非常复杂占内存大，用的人很多评价好；
• text-inversion很聪明，不用重新创作一个新模型，所有人都可以下载并运用到自己的模型，模型小，存储空间占用小；
• LoRA可以在不做完整模型拷贝的情况下，让模型理解这个概念，速度快；
• Hypernetwork：没有官方论文；

---

三、补充：四大生成模型对比

GAN生成对抗模型、VAE变微分自动编码器、流模型、DM扩散模型

3.1、GAN生成对抗模型

1. GAN模型要同时训练两个网络，难度较大，多模态分布学习困难；
2. 不容易收敛，不好观察损失；
3. 图像特征多样性较差，容易出现模型坍缩，只关注如何骗过判别器；

3.2、VAE变微分自动编码器

Deepfaker、DeepFaceLab的处理方式，生成中间状态

3.3、流模型

待完善

3.4、DM扩散模型

xx

参考：
神器CLIP：连接文本和图像，打造可迁移的视觉模型