一键式AI绘画，让你也能体验当画师的魅力（附原理分析）

文章目录

讲在前面

大概在今年10月初期，AI作画的热潮突然被掀起，这股潮流瞬间激起了人们对于AI的思考和恐惧，一方面来说，随着AI绘画的不断完善，似乎我们每个人都能创作出满足一定要求的画作；而从另一方面来说，虽然现在的AI绘画可能还没有那么成熟，但是已经足够让人类感受到足够大的挑战，究竟还有什么职业能够抵抗得了AI的冲击，让我们从应用到原理，具体来了解一下，AI绘画是如何掀起这波热浪的。

一、Novel AI

1. 网站介绍

• Novel AI：一个使用AI技术进行一系列人类所谓“想象力”创造的网站，从绘画到作文，从画出一幅满足要求的画，再到讲好一个引人入胜的故事，这里引用一句原网站的话

Driven by AI , painlessly construct unique stories , thrilling tales, seductive romances , or just fool around . Anything goes ! ， 什么意思呢？ 在人工智能的驱动下，不痛不痒地构建独特的故事，惊心动魄的故事，诱人的浪漫，或者只是胡闹。一切皆有可能!

其实人类对于AI恐惧的关键不在于AI能够进行绘画和写作，令人心惊的是， Tweak the AI’s output the way you like it，AI可以做到你想要的，无论how you like，当然，说了这么多，最重要的还是亲自上手，这里要感谢某站up主的呕心沥血，只需下载运行脚本，直接使用完整版AI绘画程序，原视频地址奉上，希望大家能够多多支持，秋枼akiiii。

2. AI作画

• 第一步：下载并安装，这里提供一个网盘地址：百度网盘，提取码tls5

• 第二步：解压zip文件

• 第三步：在文件中找到点击生成启动脚本的文件，打开即可自动安装对应依赖
• 第四步：在文件中找到启动脚本，打开即可自动运行

• 第五步：在脚本运行完成后，会出现对应的本地端口，复制在浏览器打开即可

到这里，就能在浏览器中看到一个拥有良好界面的网站，自行选择文本生成或图生图等方式即可，这里用文本生成做一个简单演示，在正面和负面标签输入一些自己想要的单词或短语即可：

在这里分享一下自己使用该功能完成的作品：

二、AI绘画的内在原理

1. Diffusion Model的基本过程

• 什么是Diffusion Model：深度学习中的一种生成模型，与GAN、VAE、Flow-based等类似；

不同生成模型之间的对比：Diffusion model和其他模型最大的区别是它的latent code(z)和原图是同尺寸大小的。一句话概括diffusion model，即存在一系列高斯噪声，将输入图片变为纯高斯噪声。而我们的模型则负责将噪声处理后的图片复原回图片

• Diffusion Model的过程：

    \qquad 
   
  

  1. 前向过程：

即往图片上加噪声的过程，给定真实图片后, diffusion前向过程通过多次累计对其添加高斯噪声；这里需要给定一系列的高斯分布方差的超参数，前向过程由于每个时刻t只与t-1时刻有关，所以也可以看做马尔科夫过程：这个过程中，随着t的增大, 越来越接近纯噪声

    \qquad 
   
  
 2. 逆向过程：

即Diffusion的去噪推断过程，如果我们能够逐步得到逆转后的分布，就可以从完全的标准高斯分布还原出原图分布，我们使用深度学习模型（参数为θ，目前主流是U-Net+attention的结构）去预测这样的一个逆向的分布，通过贝叶斯公式等得到高斯噪声的参数，最终通过模型特性实现逆向；

    \qquad 
   
  
 3. 最终通过对真实数据分布下，最大化模型预测分布的对数似然过程（上述基于DDPM）

• 具体的训练及演化过程这里不细致分析，详情可见由浅入深了解Diffusion Model

2. 扩散模型的兴起

• 相比于GAN的优势：

1. GAN模型训练过程有个难点，就是众多损失函数的鞍点（saddle-point）的最优权重如何确定，在实际训练过程中需通过多次反馈，直至模型收敛，但是可怕的是在实际操作中发现，损失函数往往不能可靠地收敛到鞍点，导致模型稳定性较差；与GAN不同，DALL·E使用Diffusion Model，不用在鞍点问题上纠结，只需要去最小化一个标准的凸交叉熵损失（convex cross-entropy loss），这样就大大简化了模型训练过程中，数据处理的难度
2. GAN模型在训练过程中，除了需要“生成器”，将采样的高斯噪声映射到数据分布；还需要额外训练判别器,Diffusion Model只需要训练“生成器”，训练目标函数简单，而且不需要训练别的网络（判别器、后验分布等）

• 领域跨越：目前的训练技术让Diffusion Model直接跨越了GAN领域调模型的阶段，而是直接可以用来做下游任务

Diffusion Model的成功在于训练的模型只需要“模仿”一个简单的前向过程对应的逆向过程，而不需要像其它模型那样“黑盒”地搜索模型，并且，这个逆向过程的每一小步都非常简单，只需要用一个简单的高斯分布来拟合

• 扩散模型的拓展：原始扩散模型拥有三个缺点，采样速度慢，最大化似然差、数据泛化能力弱，它的采样速度慢，通常需要数千个评估步骤才能抽取一个样本；它的最大似然估计无法和基于似然的模型相比；它泛化到各种数据类型的能力较差。如今很多研究已经从实际应用的角度解决上述限制做出了许多努力，或从理论角度对模型能力进行了分析。

• 参考文献：

[1] Sohl-Dickstein J, Weiss E, Maheswaranathan N, et al. Deep unsupervised learning using nonequilibrium thermodynamics[C]//International Conference on Machine Learning. PMLR, 2015: 2256-2265.
[2] Ho J, Jain A, Abbeel P. Denoising diffusion probabilistic models[J]. Advances in Neural Information Processing Systems, 2020, 33: 6840-6851.
[3] Song Y, Sohl-Dickstein J, Kingma D P, et al. Score-based generative modeling through stochastic differential equations[J]. arXiv preprint arXiv:2011.13456, 2020.
[4] Yang L, Zhang Z, Song Y, et al. Diffusion models: A comprehensive survey of methods and applications[J]. arXiv preprint arXiv:2209.00796, 2022.