Diffusion model原理剖析

论文：Dnoising Diffusion Probabilistic Models

1. DDPM的训练过程

Diffusion model的训练，即noise predictor的训练

训练即重复下面的过程直至收敛：

#2：取一张干净图片作为样本 $x_0$
#3：从1到T之间sample出 $t$
#4：生成噪声 $\epsilon$ （shape和 $x_0$ 相同）
#5：将噪声 $\epsilon$ 叠加到 $x_0$ ，让noise predictor尽量准确地估计噪声。
红色框内将 $x_0$ 和 $\epsilon$ 做带权的叠加得到一个带噪声的图片，权重 $\overline{\alpha}_t$ 是事先定义的（由 $t$ 指定）； $\epsilon_\theta$ 是noise predictor，它以混入噪声的latent和 $t$ 为输入，估计当前图片中的噪声（噪声的ground truth即前一步生成的噪声）。

注意，实际在DDPM方法的训练过程中，噪声并不是一步一步加入的，而是一次性加入的。

2. DDPM的推理过程

#1：生成一个纯噪声的图 $x_T$
#2~#4：重复 $T$ 步去噪过程，（有一些预先定义的仅和 $t$ 相关的系数），当前的图片减去预测的噪声再加上这一步的随机噪声 $z$ ，得到新的图片。

DDPM的推理

上述过程的合理性见李宏毅老师的数学推导（分集2、3）和猜测（分集4）。

部分数学推导

给模型 $\theta$ 一个随机噪声 $z$ ，我们希望 $\theta$ 能输出一个尽量真实的图像 $x$ 。 $\theta$ 生成的图像的分布应该尽量接近真实图像的分布。如下图，我们通过极大似然估计(Maximum Likelihood Estimation)来达到这个目的， $P_{\theta}(x)$ 表示生成图片的分布， $P_{data}(x)$ 表示真实图片的分布。
从 $P_{data}(x)$ 中sample数据其实就是收集真实的图片。

我们计算真实图片 $x^i$ 为生成图片的概率 $P_{\theta}(x^i)$ ，我们的目标是得到让真实图片被认为是生成图片的概率最大的模型 $\theta^*$ 。

通过极大似然估计找出最好的模型

第2个=，取log不影响argmax
第4个=，m足够大，期望的定义
不断取真实图像 $x$ ，计算 $log P_{\theta}(x)$ 的期望
第5个=，关于X的随机变量 $log P_{\theta}(X)$ 期望的计算（取 $x$ 的概率乘上 $log P_{\theta}(x)$ 做积分）。后一项是真实分布的期望，与 $\theta$ 无关，不影响argmax，减去它是为了凑KL散度。

优化目标的推导

极大似然估计的结果等价于最小化KL散度。所以，优化目标直接设置为极大似然，就相当于让生成数据的分布尽量接近真实数据了。
VAE对 $P_{\theta}(x)$ 的计算
对于某个图片 $x_i$ ，它被 $\theta$ 生成出来的概率是 $\int_z {P(z) P_{\theta}(x_i|z)}$ 。 $P(z)$ 是容易算的， $z$ 可以是从高斯分布sample出来的。但 $P_{\theta}(x_i|z)$ 若定义为“当且仅当输入 $z$ 恰好让 $\theta$ 生成了 $x$ 则为1，否则为0”，那可能算出来的 $P_{\theta}(x_i|z)$ 几乎都是0。所以VAE做了一个假设：

最后编辑于：2023.06.29 23:43:36

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 206,378评论 6赞 481
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 88,356评论 2赞 382
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 152,702评论 0赞 342
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 55,259评论 1赞 279
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 64,263评论 5赞 371
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 49,036评论 1赞 285
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 38,349评论 3赞 400
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,979评论 0赞 259
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 43,469评论 1赞 300
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,938评论 2赞 323
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 38,059评论 1赞 333
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,703评论 4赞 323
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 39,257评论 3赞 307
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 30,262评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,485评论 1赞 262
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 45,501评论 2赞 354
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,792评论 2赞 345

Diffusion model原理剖析

1. DDPM的训练过程

2. DDPM的推理过程

部分数学推导

推荐阅读更多精彩内容