【扩散模型（一）】Stable Diffusion中的重建分支（reconstruction branch）和条件分支（condition branch）

Stable Diffusion 是一种基于扩散模型的生成模型，用于生成图像等数据。在解释 Stable Diffusion 的过程中，经常会提到两个主要的分支：重建分支（reconstruction branch）和条件分支（condition branch）。这两个分支有助于理解 Stable Diffusion 如何从噪声中逐渐生成符合特定条件的图像。

1. 重建分支（Reconstruction Branch）

上图中 Pixel Space 和 Latent Space 的部分

重建分支的目的是从噪声数据逐渐去噪，重建出清晰的图像。这个过程可以概括为一个反向扩散过程，它从初始的纯噪声开始，通过一系列的步骤逐步减少噪声，最终得到清晰的图像。这些步骤通常包括以下几个方面：

• 噪声添加（Forward Process）： 在训练过程中，通过向原始图像逐渐添加噪声，得到一系列带有不同噪声水平的图像。
• 去噪过程（Reverse Process）： 在生成过程中，从一个随机的噪声图像开始，通过反向扩散模型逐步去除噪声，重建出清晰的图像。

重建分支的关键是学习如何从不同噪声水平的图像中恢复原始图像，这通常通过一个神经网络来实现，该网络被训练用来估计给定噪声图像的去噪版本。

2. 条件分支（Condition Branch）

上图中 右侧条件输入模块（Conditioning） 和 Latent Space 中的跨注意力机制模块（Cross-attention，QKV）部分

条件分支用于在生成图像时引入额外的条件或信息，从而使生成的图像符合特定的要求或描述。条件分支可以包括多种形式的条件，比如文本描述、类别标签、部分图像等。这些条件通过以下几种方式影响生成过程：

• 条件输入（Conditional Input）： 将条件信息（例如文本描述）作为额外的输入提供给模型，模型会根据这些条件来指导图像的生成过程。
• 条件嵌入（Conditional Embedding）： 将条件信息嵌入到生成模型的各层中，使得生成过程在每一步都受到条件的影响。
• 损失函数的调整（Adjusting Loss Function）： 在训练过程中，损失函数可以包含条件相关的项，使得模型在生成图像时更加符合条件的要求。

通过条件分支，Stable Diffusion 能够生成满足特定条件的图像，例如根据给定的文本描述生成相应的图像，或根据部分图像的内容完成图像的其余部分。

总结

Stable Diffusion 模型通过重建分支和条件分支的协同工作，从噪声中逐步生成符合特定条件的图像：

• 重建分支 负责从噪声中逐步重建出清晰的图像。
• 条件分支 则引入额外的信息或条件，指导图像的生成过程，使得生成结果符合特定的要求。

这种结构使得 Stable Diffusion 模型既能够生成高质量的图像，又能够根据特定的条件生成符合要求的图像。