Part 01

●  發(fā)展歷史  ● 

1.1 起源

2015年在Deep Unsupervised Learning using Nonequilibrium Thermodynamics 這篇文章中提出，當時的生成模型比如VAE，有一個很大的難點，就是這類模型是先定義了條件分布，然后再定義變分后驗去適配，最后會導致需要同時優(yōu)化條件分布和變分后驗，然而這是很困難的。如果我們可以定義一個簡單的過程，把數(shù)據(jù)分布映射到標準高斯，“生成器”的任務就變成了簡單的擬合這個過程的逆過程的每一小步，這，就是diffusion model的核心思想。然而這篇文章當時并沒有掀起什么波瀾。

1.2 發(fā)展

時間來到2020年，基于前人的思想，提出了DDPM模型（Denoising Diffusion Probabilistic Models），相對于基礎的擴散模型，作者結合了擴散模型和去噪分數(shù)，來引導訓練以及采樣的過程，帶來了生成圖像樣本適量的提升，使其在訓練更簡單穩(wěn)定的條件下，最后的結果可以和GAN模型相當。

圖2-DDPM的生成結果

然而DDPM模型也并非完美無缺，由于擴散過程是一個馬爾科夫鏈，其缺點就是需要比較大的擴散步數(shù)才可以獲得比較良好的效果，這導致了樣本生成很慢。

于是繼DDPM之后，時間來到2021年，Song等人提出了DDIM（Denoising Diffusioin Implicit Model），其改造了DDPM的擴散過程的采樣方法，將傳統(tǒng)的馬爾可夫擴散過程推廣到了非馬爾可夫過程，可以用更小的采樣步數(shù)來加速樣本生成，大大的提高了效率。

后續(xù)也有一些改進的工作，將擴散模型和傳統(tǒng)的生成網(wǎng)絡進行融合，比如將VAE和DM模型結合，GAN+DM的結合等等，筆者再此就不一一贅述了。

1.3 爆發(fā)

2022年，谷歌基于擴散模型推出了一款新的AI系統(tǒng)，可以將文字描述轉為逼真圖像。

圖3

圖4

由谷歌給出的原理圖可以看出，輸入的文本首先經(jīng)過編碼，然后由一個文字轉圖像的擴散模型轉化為64*64的小圖，進一步的，利用超分辨率擴散模型對小圖進行處理，在進一步的迭代過程中提升圖像的分辨率，得到最后的生成結果——一張1024*1024的最終圖像。這個神奇的過程就像是大家使用中所感受到的一樣，輸入了一段文字——一只穿著紅色點點高領衫，戴著藍色方格帽子的金毛狗狗，然后程序就自動生成了上面你所看到的狗狗圖片。

另一款熱度頗高的現(xiàn)象級應用——novalAI，這本來是一個致力于AI寫作的網(wǎng)站，基于當前火熱的圖像生成，它結合網(wǎng)絡上的圖片資源，訓練了一個專注于二次元的圖像生成模型，從效果上看已經(jīng)初具人類畫手的水平。

圖5

除了傳統(tǒng)的輸入文字從而產(chǎn)出圖片之外，它還支持輸入圖片作為參考，可以讓AI基于已知的圖片基礎上生成新的圖片，一定程度上解決了AI生成結果不可控的問題。

Part 02

●  原理闡述 ● 

那么，如此強大的AI技術，其工作過程到底是怎樣的呢？這里我們以比較經(jīng)典的DDPM模型作為例子給出簡要的過程：

2.1 前向過程

前向過程是一個往圖片上加噪聲的過程，目的是為了構建訓練樣本GT。

對于給定的初始數(shù)據(jù)分布x0~q(x)，我們逐步向數(shù)據(jù)分布中添加高斯噪聲，這個過程有T次，每一步的結果是x1，x2，...，xt，噪聲的標準差表示為?，則加噪過程可以表述為：

正如前文所述，這是一個馬爾科夫鏈過程。最終會使得數(shù)據(jù)趨向于各向同性的高斯分布。

2.2 逆擴散過程

逆向過程是一個去噪的過程，如果得知，就可以從完全的標準高斯分布中還原出x0, 經(jīng)過證明如果滿足高斯分布且足夠小，那么仍然是一個高斯分布，然后無法簡單推斷得到，所以我們利用一個參數(shù)為的深度學習模型去預測它，于是有：

如果得知x0，則通過貝葉斯公式有：

2.3 訓練過程

如果對于機器學習有所了解的讀者應該知道，所有模型的訓練都是為了能夠最優(yōu)化模型的參數(shù)，從而得到靠譜的均值和方差，我們最大化模型預測分布的對數(shù)似然，即：

經(jīng)過一系列的推導，DDPM模型得到了最后的loss函數(shù)表達：

總結一下訓練的過程：

• 1.獲取輸入的x0, 從1...T中隨機采樣一個t
• 2.從標準高斯分布采樣一個噪聲
• 3.計算出損失并迭代最小化損失函數(shù)

圖6

Part 03

●  總結 ● 

擴散模型已經(jīng)展示出了巨大的潛力，其相對于VAE模型不需要對準后驗分布，也不需要像GAN那樣訓練額外的判別器，在包括計算機視覺，生物信息學，語音處理等方面都有應用，其在圖像生成方面的應用，將助力于提升圖像創(chuàng)作的效率，可能讓AI生成根據(jù)條件生成若干圖片，人類對其結果進行篩選和修改會是將來2D繪畫領域的新的工作模式，這可能會很大程度上提升2D數(shù)字資產(chǎn)的生產(chǎn)效率。

然而伴隨著AI技術的發(fā)展，總是會有一些爭議，圖像生成領域也不例外，除了AI技術本身的問題，如生成的圖片結構錯誤，不合理之外，還伴隨著一些法律方面的糾紛，比如AI作品本身的版權問題。技術的問題可以通過技術本身的發(fā)展來解決，我們有理由相信隨著AI技術的發(fā)展，圖像生成最后會達到一個很高的水平，這會消滅大部分低端的繪畫相關的工作，極大的解放人類的生產(chǎn)力。版權問題可能還是需要政府部門對于相關產(chǎn)業(yè)的發(fā)展投入足夠多的關注，完善相關的政策和制度，需要我們對于新興的領域有更多的思考，從而讓AI技術更好的服務于我們。

參考文獻

??https://github.com/Yutong-Zhou-cv/Awesome-Text-to-Image??

??https://lilianweng.github.io/posts/2021-07-11-diffusion-models/#forward-diffusion-process??

??https://link.zhihu.com/?target=https%3A//gweb-research-imagen.appspot.com/paper.pdf???