解锁AI未来，与智慧同行！关注公众号，获取前沿AI资讯，体验尖端AI工具，让智能科技改变您的生活！
文章主题：生成式模型, 文本生成图像, Diffusion扩散模型, CLIP模型
1. 什么是生成式模型
生成式模型是一种利用文本或随机采样方法生成图像或文本的工具，例如文生图。其中，DALE-2、midjourney和Stable Diffusion等模型是当前较为流行的文生图模型，它们均基于Diffusion扩散模型。
在深度学习模型中，扩散模型之前的经典生成方法包括 GAN 和 VAE。GAN，全称为生成对抗网络，是一种用于生成数据的深度学习框架。该框架主要由两个神经网络构成：生成器和判别器。生成器负责生成新的样本，而判别器则负责鉴别这些样本是真实存在的还是由生成器生成的。这两个网络之间存在一种对抗性的关系，它们会不断地进行博弈和参数调整，以期达到生成尽可能逼真样本的目标。最终，通过采样一个与训练数据分布相似的随机分布，可以生成新的图片并对其进行训练。
而VAE是变分的自回归模型，通过学习图片的潜在空间表示来生成图片。
2. 扩散模型Diffusion
“扩散”这个词汇，源于描述物体物理状态发生改变的过程。例如，房间内的气味会随着时间推移从浓郁逐步散布至周边区域，直至达到一种平衡状态，这便是扩散现象的一个生动写照。此外，热力的传播也是一个与扩散相关的例子。
扩散模型是一种图像处理方法，其操作过程可分为两个阶段：前向和逆向。在前向阶段中，我们逐步向图像添加噪声，使其逐渐变得混乱，最终变为完全的高斯噪声。而在逆向阶段，模型则试图学习如何从高斯噪声中恢复出原始图像。这种方法广泛应用于图像去噪、模糊和平滑等领域。
那么扩散模型是如何训练？训练的过程就是预测所加噪声的过程，模型是一个Unet模型。
正向：第i步的图像+高斯噪声=第i+1的图像
在训练 Unet 模型时，我们首先输入的是原始图像，然后对其进行预测，得到的高斯噪声作为参考。接下来，我们的目标是恢复原始图像，这个过程可以通过从预测结果中减去高斯噪声来实现。
在一系列操作中，我们逐步从采样的 高斯噪声 中去除噪声，最终恢复出清晰图像。在此过程中，每一步骤的 Unet 模型都共享相同的参数。因此，我们需要额外的输入步长信息，以便指示模型当前正处于哪一步的去噪过程。
最早的扩散模型（DPM）需要近1000步才能还原图像，这极大的增加了推理的时间。
在众多研究中，人们一直在探索如何优化采样方法以降低推理成本。这种方法通常被称为采样策略，其中包括DPM和SDE等技术。
扩散模型涉及到几个重要的概念：
步长Step：
采样策略：
一张图总结下VAE、GAN和Diffusion Model的区别
3. Stable Diffusion
经过观察可以得知，Diffusion扩散模型作为一种简单且高效的生产式模型，虽然在某些方面表现出色，但与本文将要讨论的文生图模型仍存在一定的差距。
还差的环节是文本如何添加到扩散模型里。如果有一个模型可以很好的匹配文本和图像，就可以文本生成的图像向量作为额外的条件加到扩散模型里（有条件的扩散模型）
这个模型就是CLIP模型，CLIP模型是典型的多模态的对比学习模型，通过文本和图像的配对数据，分布对文本和图像进行编码，优化两者向量的相似度，使得配对的两向量相似度最大。
OPENAI的DALE-2利用clip生成文本和图像向量配对，训练一个文本映射到图像向量的模型，得到图像向量模型，在通过diffusion模型生成图片，达到文生图的目的。
而Stable Diffusion有些不同，总体的流程见下图，不同之处在于：
最右边是条件输入，可以引导模型生成的结果，针对文生图，先用预训练模型将文本转换text token embedding，预训练模型可以是CLIP也可以是其他GPT模型
为了融合图通的条件输入，采用一个cross attention的方式添加到Diffusion去噪过程中
另外一个不同是：diffusion的模型输入是图像尺寸大小，这样推理速度较慢。Stable Diffusion将输入改成图像的一个潜在空间的向量表示。那怎么将图像转换为向量表示呢？答案是VAE。也就是上图中最左边，预训练一个VAE模型，将图像encode潜在空间表示，经过diffusion去噪过程，得到一个恢复的潜在变量，经过一个decode恢复成图像。
4. 参考资料
https://zhuanlan.zhihu.com/p/620714629
How does Stable Diffusion work?
http://jalammar.github.io/illustrated-stable-diffusion/
High-Resolution Image Synthesis with Latent Diffusion Models
生成式模型, 文本生成图像, Diffusion扩散模型, CLIP模型
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
