diffusion model模型应用与理解

1. diffusion模型的应用

diffusion模型在计算机视觉、自然语言处理等方面有广泛的研究和应用。下图为diffusion模型在不同领域的一些研究与应用。

超分辨率

图像修复

多模态学习

分子图

2. diffusion模型与其他模型的对比

扩散模型的灵感来自非平衡热力学。扩散模型定义了一个扩散的马尔可夫链，并缓慢地将随机噪声添加到数据中，然后学习反扩散过程以从噪声中构建所需的数据样本。与 VAE 或流模型不同，扩散模型是通过固定过程学习的，且扩散过程中变量具有和原始变量相同的维度。

2.1 VAE与diffusion模型对比

变分自动编码器旨在学习编码器和解码器，以将输入数据映射到连续潜在空间中的值。在这些模型中，嵌入可以解释为概率生成模型中的潜在变量，概率解码器可以通过参数化似然函数来表示。此外，假设数据 x 是由一些未观察到的隐变量 z 使用条件分布 生成的，并且用于近似推断 z。为了保证有效的推断，我们使用变分贝叶斯方法来最大化证据下限：

DDPM 可以被视为多层马尔可夫 VAE。正向过程表示编码器，反向过程表示解码器。此外，DDPM 跨多个层共享解码器，并且所有隐变量的大小都与样本数据相同。在连续时间的条件下，优化扩散模型可以看作是训练一个无限的、深度的、多层的的 VAE。这证明了人们普遍认为扩散模型可以解释为分层 VAE 的连续极限。

2.2 diffusion模型推导过程

扩散模型包括两个过程：前向过程（forward process）和反向过程（reverse process），其中前向过程又称为扩散过程（diffusion process），如下图所示。无论是前向过程还是反向过程都是一个参数化的马尔可夫链（Markov chain），其中反向过程可以用来生成数据，这里我们将通过变分推断来进行建模和求解。

前向过程：给出一个从真实数据分布中采样的数据点。我们定义经过步添加高斯噪声的前向扩散过程，生成一系列噪声样本  。步长由  控制。有

随着的增加，逐渐失去了其辨识性特征。当时，符合各向同性高斯分布。

扩散过程的一个良好性质是任意时刻的都可以由重参数技巧获得。另且

反向过程：如果我们可以将上述过程反向，并从，我们就可以从输入的高斯噪声（）重建真实采样。注意如果足够小，那么也是高斯分布。但我们不能估计，因为这需要用到所有数据集的信息。所以我们需要学习一个来近似这个条件概率，这样就可以完成反向扩散。

当给出时，反向条件概率是可知的：

通过贝叶斯定理，有

其中是不包含的方程。因而可以不考虑。

所以均值和方差为

且有

我们可以优化负对数似然函数

可以进一步写为

其每个组成部分可以重新写为

其中是常量可以忽略，可以视为拉近两个分布 和。

我们需要用神经网络来近似反向扩散的条件概率，得到  ，我们训练来预测  。因为在训练过程中是已知的，所以可以通过预测  。

所以可以写作

进一步地，简化，发现忽视掉权重项之后，训练过程更好

最终目标是

算法为

训练过程可以看做：

1. 获取输入，从 随机采样一个 .

2. 从标准高斯分布采样一个噪声.

3. 最小化