【扩散模型】5、Diffusion models beat GAN 简介

论文：Diffusion models beat GAN on image Synthesis

代码：https://github.com/openai/guided-diffusion

出处：OPENAI | NIPS2021

时间：2021

贡献：

• 在本文章之前，扩散模型生成的图片已经非常逼真了，但是 inception score（IS FID等）不如GAN，如何提供一些人为指导来帮助模型采样和学习，提高分数和采样速度就是本文的出发点
• 作者引入了 classifier guidance 模式，将扩散模型变成了 class-conditional 任务，使用分类梯度来指导扩散模型的生成，平衡了多样性和保真性，降低了扩散模型的采样时间，同时能提高高分辨率情况下的采样效果

一、背景

在近几年来，生成式模型已经能生成类似人类的自然语音、声音、音乐，也能生成高质量的图像

GAN[19] 在当时来说是很多图像生成任务的 SOTA，其评判标准都是例如 FID、Inception Score、Precision 等简单标准

但这些标准很难完全捕捉到图像之间的差异，而且 GAN 也被证明捕捉到的差异性比很多 likelihood-based 方法能够捕捉到的更少一些，而且 GAN 比较难以训练，一旦没有仔细的设置参数和规则，就容易崩塌

扩散模型就是 likelihood-based 方法的一种，其通过逐步从图像信号中移除噪声来生成图片，其训练的目标函数可以被看做一个重参数化的变分下届，扩散模型在 CIFAR-10 上已经得到了 SOTA，但是在 LSUN 和 ImageNet 这些比较难的数据集上比 GAN 稍微落后一点。

作者认为，扩散模型和 GAN 之间的差距主要由于下面两个因素，也是基于这两个因素，作者对 diffusion model 进行了改进：

• GAN 的模型结构已经被探索和改进了很多了
• GAN 能更好的平衡多样性和保真度，产生高质量的样本，但不覆盖整个分布

二、方法

2.1 扩散模型回顾

扩散模型是通过从一个渐进加噪声的逆过程来采样的，也就是说，最开始的时候从噪声 $x_T$ 中开始采样，然后逐步得到噪声更少的 $x_{T-1}$、$x_{T-2}$ … ，直到得到最终的采样结果 $x_0$

扩散模型就是在学习如何从 $x_t$ 得到上一时刻的 $x_{t-1}$，扩散模型可以被建模为 ${ϵ}_{\theta }(x_t,t)$，表示预测到的当前时刻的噪声，训练目标函数是 $||{ϵ}_{\theta }(x_t,t)-ϵ|{|}^2$，$ϵ$ 是真实噪声

2.2 简单的质量测评标准

1、Inception Score（IS）

Inception Score (IS) 是用来衡量一个模型在生成单个类别的样本时能否很好地捕获整个 ImageNet 类别分布

然而，该指标有一个缺点，它并不奖励覆盖整个分布的行为，也不会奖励在一个类别中捕获很多多样性的行为，如果模型记住全数据集一小部分，仍然会有高 IS

2、FID

为了比 IS 更好地捕获多样性，Heusel等人[23] 提出了 Fréchet Inception Distance (FID)，他们认为 FID 与人类判断更一致。FID 提供了一个对两个图像分布在 Inception-V3 [62] 潜空间中距离的对称度量

Nash 等人[42] 提出了 sFID 作为使用空间特征而非标准汇集特征的 FID 版本。他们发现这种指标更好地捕获了空间关系, 奖励具有连贯高级结构的图像分布

作者使用 FID 作为评判指标，因为其能同时捕捉样本的多样性和保真性

作者还使用了 Precision 或 IS 来衡量保真性，使用 Recall 来衡量多样性或分布范围

2.3 模型架构改进

作者为了获得简单有效的模型架构，进行了多种不同的架构消融实验

因为扩散模型使用的是 U-Net，所以作者主要对 U-Net 的结构进行了改进

虽然增加模型深度能提高效果，但训练时长增加了，所以不做模型深度的改变

作者还对比了使用不同 head 的效果，最终使用了 64

2.4 Classifier Guidance

GAN 用于条件合成时，除了精心设计结构外，还会使用很多 class labels，所以作者也想使用分类器来提升扩散模型的效果

方法：作者会在带噪声的图像 $x_t$ 上训练一个分类器，然后使用梯度来指导扩散模型的采样过程来朝着对应类别进行采样，作者这里使用的 ImageNet

三、效果