深入了解diffusion model

diffusion model是如何运作的

会输入当时noise的严重程度，根据我们的输入来确定在第几个step，并做出不同的回应。

Denoise模组内部实际做的事情

产生一张图片和产生noise难度是不一样的，若denoise 模块产生一只带噪声的猫说明这个模块已经会画一只猫，所以产生一只带噪声的猫和产生图片中死亡噪声难度是不一样的

如何训练noise predictor

输入这张图片和step id  然后产生出一个预测中的噪声，但为了产生预测中的噪声，则需要输入这张图片的噪声是什么样子，才会学习如何把噪声输出。

noise predictor 的训练资料是人们创造出来的

Text-to-Image

 

Stable Diffusion

内部有三个元件

1、Text Encoder:好的文字的encoder,会把一段文字变成向量

2、Generation Model:可以用其他model(如diffusion Model)，用一个粉红色的矩阵表示以恶搞噪声，将噪声与文字的encode产生一个中间产物（为一张图片被压缩后的结果）

3、Decoder:把图片压缩后的版本还原成原图

第一元件：如何评估影像生成的模型好坏（常用FID Frechet Inception Distance）

若这两组越接近，则表示生成的影像与原图更接近。

FID需要许多的图片

第三元件：它训练不需要文字的输入，可任意单凭影像的输入自动训练decoder

中间产物为：压缩后的图片

中间产物为：Latent Representation ,则应该如何训练decoder，把其还原成图片

需要训练一个Auto-encoder ,过程如下图所示：

输入和输出的结果越接近越好。把训练好的decoder直接拿出来将Latent Representation还原成图片即可。

第二元件：generation model

 diffusion model的数学原理

Training

第三行表示从1-T sample一个数出来， 第四行表示从normal distribution sample一个

第五行红色方框表示T越大表示所加的噪声越多

想象中噪声是一点一点加进去的， 去噪声也是把噪声一点一点的抹去，实际上真正做的事情并没有把噪声一点一点的加进去，噪声一次加入，去噪声也是一次便去除

sampling