DDPM Diffusion模型训练和采样过程细节汇总
算法回顾
DDPM的算法概述
我们从 Classifier-Free Diffusion Guidance 这篇文章开始。
classifier-free 引导的条件采样过程
在《Null-text Inversion for Editing Real Images using Guided Diffusion Models》 中，对Classifier-free guidance 形式化为：
简单的推断一下：
=
ω
∗
ϵ
θ
(
z
t
,
t
,
C
)
+
ϵ
θ
(
z
t
,
t
,
⊘
)
−
ω
∗
ϵ
θ
(
z
t
,
t
,
⊘
)
\omega * \epsilon_{\theta}(z_t,t,C)+\epsilon_{\theta}(z_t,t,\oslash )-\omega * \epsilon_{\theta}(z_t,t,\oslash )
ω∗ϵθ(zt,t,C)+ϵθ(zt,t,⊘)−ω∗ϵθ(zt,t,⊘)
=
ω
∗
(
ϵ
θ
(
z
t
,
t
,
C
)
−
ϵ
θ
(
z
t
,
t
,
⊘
)
)
+
ϵ
θ
(
z
t
,
t
,
⊘
)
\omega *( \epsilon_{\theta}(z_t,t,C)-\epsilon_{\theta}(z_t,t,\oslash ))+\epsilon_{\theta}(z_t,t,\oslash )
ω∗(ϵθ(zt,t,C)−ϵθ(zt,t,⊘))+ϵθ(zt,t,⊘)
相当于是在
ϵ
θ
(
z
t
,
t
,
⊘
)
\epsilon_{\theta}(z_t,t,\oslash )
ϵθ(zt,t,⊘)的基础上，加强了在
ϵ
θ
(
z
t
,
t
,
C
)
−
ϵ
θ
(
z
t
,
t
,
⊘
)
\epsilon_{\theta}(z_t,t,C)-\epsilon_{\theta}(z_t,t,\oslash )
ϵθ(zt,t,C)−ϵθ(zt,t,⊘)方向上的引导，可以结合下图来进行理解：
Classifier-Free Diffusion Guidance 中的这张图也表达相同的意思，模型增加分类器指导强度时发生的Inception score增加和样本多样性减少的简化表现。
框架理解
下面画图理解一下Diffuion Model 发展各个阶段的方法
DDPM
训练过程
采样过程
Text-guiled DDPM
训练过程
采样过程
Null-text guiled DDPM
训练过程
和 text guiled DDPM一致。
采样过程
项目代码
下面是论文《GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models》的代码逻辑进行梳理，code 链接：https://github.com/openai/glide-text2im/
训练过程
采样过程
本文转载自: https://blog.csdn.net/NGUever15/article/details/128574368
版权归原作者 _Summer tree 所有， 如有侵权，请联系我们删除。
版权归原作者 _Summer tree 所有， 如有侵权，请联系我们删除。