DDPM(Denoising Diffusion Probabilistic Models)

Posted 鱼只

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了DDPM(Denoising Diffusion Probabilistic Models)相关的知识,希望对你有一定的参考价值。

扩散模型包含两个过程:

①扩散过程:从左到右的过程(DataNoise),表示对图片逐步增加噪声。

②逆扩散过程:从右到左的过程(NoiseData),表示从高斯噪声中逐步去噪,复原出原图。

  1. 扩散过程

扩散过程可以表示为,其中x为原图,z为添加了T次噪声后得到的图像。添加噪声的过程

为正太分布,所以部分加起来也为正太分布,又因为,所以有

在论文中设置,T越大,越大,噪声的权重越大

在设置好响应的之后,前向扩散的过程也就确定了

  1. 逆扩散过程

根据式①可得,设去噪模型为u(x),因此考虑将模型设计为

实际处理时每个去噪重构模型的参数是一样的,t 是转换成位置编码后(详情请参考https://kexue.fm/archives/8231),直接加到残差模块上去的

损失函数为

根据公式①和②有

损失函数表示为

计算上述损失函数需要采样 4 个随机变量:

由于要采样的随机变量越多,就越难对损失函数做准确的估计,反过来说就是每次对损失函数进行估计的波动 (方差) 过大了,通过一个积分技巧来将合并成单个正态随机变量,从而缓解一下方差大的问题。

由于正态分布的叠加性

接下来,我们反过来将用ε,ω重新表示出来

代入公式③得

现在损失函数关于ωω只是二次的,所以我们可以展开然后将它的期望直接算出来,结果是

再次省掉常数和损失函数的权重,我们得到DDPM最终所用的损失函数

原论文中的实际上就是本文的,所以大家的结果是完全一样的。

参考:

从DDPM到DDIM:深入解读《Denoising Diffusion Implicit Models》

Diffusion Models专栏文章汇总:入门与实战

前言:DDIM发表在ICRL2021上,是DDPM重要的改进之一,能显著提高DDPM的样本质量、减少采样时间,并且已经被广泛应用到现在的Diffusion Models上。这篇博客和大家一起详细解读一下DDIM,认识这一伟大的模型。

目录

DDPM的缺点:多次迭代耗时耗力

超参数T的作用和限制

以上是关于DDPM(Denoising Diffusion Probabilistic Models)的主要内容,如果未能解决你的问题,请参考以下文章

DDPM(Denoising Diffusion Probabilistic Models)

简单基础入门理解Denoising Diffusion Probabilistic Model,DDPM扩散模型

深入解读:从DDIM到Improved Denoising Diffusion Probabilistic Models

论文阅读RePaint: Inpainting using Denoising Diffusion Probabilistic Models(CVPR 2022)

论文阅读RePaint: Inpainting using Denoising Diffusion Probabilistic Models(CVPR 2022)

Diffusion扩散模型学习1——Pytorch搭建DDPM实现图片生成