1. 用于生成图像的Diffusion model的大致构成

Stable Diffusion、DALL-E、Imagen方法基本都包含3个module：
① text encoder: text prompt --> text embedding
② generation model（包含noise predictor）: 输入当前step（scheduler给出的噪声程度）和当前latent，预测噪声并从latent中去掉噪声。
③ decoder：latent-->image。

2. 各个module的训练

3个module通常是分别训练再组合起来。
text encoder：可以用GPT、BERT、CLIP等各种将文字转换到embedding的方法。Stable Diffusion没有训练text encoder这个module，而是直接采用了CLIP。
decoder的训练不需要成对的text-image。
如果generation model输出的是小图（Imagen的做法），那么decoder训练就是用一批正常size的图，下采样得到小图，以小图为输入训练decoder输出大图就可以了。
如果generation model输出的latent representation（Stable Diffusion和DALL-E的做法），那么就需要训练一个auto-encoder，再把decoder拿过来用。

Auto-encoder的训练：让decoder的输出和原始输入接近
generation model：StableDiffusion的generation model在LAION-5B数据集（58.5亿，图文数据集，大小约80T）上训练的。

每次denoise，noise predictor以latent、text embedding、当前step为输入，预测当前latent中的噪声，再从latent中去除预测的噪声

3. 图片生成质量的评测指标

3.1 FID（Frechet Inception Distance）

FID是两个图像数据集之间的相似性度量。它被证明与人类对视觉质量的判断有很好的相关性，并且最常用于评估生成对抗网络样本的质量。
该指标需要一个pretrained CNN classifier，把真实图片和生成图片都喂进这个classifier得到latent，假设真实/生成图片的latent各自服从高斯分布，计算两个分布之间的Frechet距离。

FID的计算

计算FID需要非常多的样本。
FID值越小越好。
实现：pytorch-fid

3.2 CLIP score

Contrastive Language-Image Pretraining (CLIP)是在4亿图文对上训练的，包含一个text encoder和一个Image encoder。其对比思路是，内容相符的图文对latent越近越好，内容不符的图文对latent越远越好。

CLIP的对比思路

图文对的相似程度（即CLIP score）也可以用于衡量文生图的质量。

3.3 FCN (fully-convolutional network) score

如果生成的图像是真实的，那么在真实图像上训练的分类器也能够正确地对合成图像进行分类。可以根据合成照片的标签的分类准确率对合成照片进行评分。

附：Stable Diffusion、DALL-E、Imagen的结构示意

Stable Diffusion

DALL-E系列

Imagen

Image先生成一个64*64的小图，随后再经过一个Diffusion model

图像生成 × Diffusion model