小白都能看懂的 Stable Diffusion 原理！還記得火爆全網(wǎng)的圖解 Transformer 嗎？最近這位大佬博主 Jay Alammar 在博客上對(duì)大火的 Stable Diffusion 模型也撰寫了一篇圖解，讓你從零開始徹底懂圖像生成模型的原理供給配有超詳細(xì)的視頻講解！章鏈接：https://jalammar.github.io/illustrated-stable-diffusion/視頻鏈接：https://www.youtube.com/ watch?v=MXmacOUJUaw圖解 Stable DiffusionAI 模型最新展現(xiàn)出的圖像生成力遠(yuǎn)遠(yuǎn)超出人們的預(yù)期，接根據(jù)文字描述就能創(chuàng)造具有驚人視覺(jué)效果的圖像其背后的運(yùn)行機(jī)制顯得十神秘與神奇，但確實(shí)影響人類創(chuàng)造藝術(shù)的方式。Stable Diffusion 的發(fā)布是 AI 圖像生成發(fā)展過(guò)程中的一個(gè)程碑，相當(dāng)于給大眾提供一個(gè)可用的高性能模型，僅生成的圖像質(zhì)量非常高運(yùn)行速度快，并且有資源內(nèi)存的要求也較低。相信要試過(guò) AI 圖像生成的人都會(huì)想了解它到底是如工作的，這篇文章就將為揭開 Stable Diffusion 工作原理的神秘面紗。Stable Diffusion 從功能上來(lái)說(shuō)主要包括兩方：1）其核心功能為僅根據(jù)獙獙本提示作為輸入來(lái)生成圖像（text2img）；2）你也可以用它對(duì)圖像根據(jù)文字描述進(jìn)孟涂修改（輸入為文本 + 圖像）。下面將使用圖示來(lái)輔助解 Stable Diffusion 的組件，它們之間如何交互，以及圖像成選項(xiàng)及參數(shù)的含義。Stable Diffusion 組件Stable Diffusion 是一個(gè)由多個(gè)組件和模型組成系統(tǒng)，而非單一的模型。我們從模型整體的角度向型內(nèi)部觀察時(shí)，可以發(fā)鯢山其包含一個(gè)文本理解組件于將文本信息翻譯成數(shù)字示（numeric representation），以捕捉文本中的語(yǔ)義息。雖然目前還是從宏觀度分析模型，后面才有更的模型細(xì)節(jié)，但我們也可大致推測(cè)這個(gè)文本編碼器一個(gè)特殊的 Transformer 語(yǔ)言模型（具體來(lái)說(shuō)是 CLIP 模型的文本編碼器）。模型的入為一個(gè)文本字符串，輸為一個(gè)數(shù)字列表，用來(lái)表文本中的每個(gè)單詞 / token，即將每個(gè) token 轉(zhuǎn)換為一個(gè)向量。然后臺(tái)璽些信息會(huì)被提交到像生成器（image generator）中，它的內(nèi)部也包含多個(gè)組咸鳥。像生成器主要包括兩個(gè)階：1. Image information creator這個(gè)組件是 Stable Diffusion 的獨(dú)家秘方，相比之前的模型，它的很多性增益都是在這里實(shí)現(xiàn)的。組件運(yùn)行多個(gè) steps 來(lái)生成圖像信息，其中 steps 也是 Stable Diffusion 接口和庫(kù)中的參數(shù)，通常默竦斯為 50 或 100。圖像信息創(chuàng)建器完全在帝俊像信息空間（或潛空間中運(yùn)行，這一特性使得它其他在像素空間工作的 Diffusion 模型運(yùn)行得更快；從技術(shù)上來(lái)看該組件由一個(gè) UNet 神經(jīng)網(wǎng)絡(luò)和一個(gè)調(diào)度（scheduling）算法組成。擴(kuò)散（diffusion）這個(gè)詞描述了在該組件內(nèi)部運(yùn)行期間發(fā)生酸與事，即對(duì)信息進(jìn)行一步步地理，并最終由下一個(gè)組件圖像解碼器）生成高質(zhì)量圖像。2. 圖像解碼器圖像解碼器根據(jù)從圖像信息建器中獲取的信息畫出一畫，整個(gè)過(guò)程只運(yùn)行一次可生成最終的像素圖像。以看到，Stable Diffusion 總共包含三個(gè)主要的組件，其中個(gè)組件都擁有一個(gè)獨(dú)立鶉?guó)B經(jīng)網(wǎng)絡(luò)：1）Clip Text 用于文本編碼。輸入：文本輸出傅山77 個(gè) token 嵌入向量，其中每個(gè)向葴山包含 768 個(gè)維度2）UNet + Scheduler 在信息（潛）空間中逐步處理 / 擴(kuò)散信息。輸入：文本嵌入和一個(gè)由噪聲組成貊國(guó)始多維數(shù)組（結(jié)構(gòu)化的數(shù)列表，也叫張量 tensor）。輸出：一個(gè)經(jīng)過(guò)處理的信息長(zhǎng)蛇列3）自編碼解碼器（Autoencoder Decoder），使用處理過(guò)的信息矩陣?yán)L最終圖像的解碼器。輸義均處理過(guò)的信息矩陣，維度（4, 64, 64）輸出：結(jié)果圖像，各維度為3，512，512），即（紅 / 綠 / 藍(lán)，寬，高）什么是 Diffusion？擴(kuò)散是在下圖中粉紅色的圖像信息創(chuàng)建涿山件中發(fā)生的過(guò)程，過(guò)程中含表征輸入文本的 token 嵌入，和隨機(jī)的初始圖像信息史記陣（也稱之為 latents），該過(guò)程會(huì)還需要用到圖像解碼器繪制最終圖像的信息矩陣整個(gè)運(yùn)行過(guò)程是 step by step 的，每一步都會(huì)增加更鮨魚的相關(guān)息。為了更直觀地感受整過(guò)程，可以中途查看隨機(jī) latents 矩陣，并觀察它是如何轉(zhuǎn)化為視覺(jué)聲的，其中視覺(jué)檢查（visual inspection）是通過(guò)圖像解碼器進(jìn)行的。整個(gè) diffusion 過(guò)程包含多個(gè) steps，其中每個(gè) step 都是基于輸入的 latents 矩陣進(jìn)行操作，并生成另一個(gè) latents 矩陣以更好地貼合「輸入的文本」和從型圖像集中獲取的「視覺(jué)息」。將這些 latents 可視化可以看到這些信息是如何戲每個(gè) step 中相加的。整個(gè)過(guò)程就是從無(wú)鶉?guó)B有，看起來(lái)相當(dāng)動(dòng)人心。步驟 2 和 4 之間的過(guò)程轉(zhuǎn)變看起來(lái)英招別有趣，就好像圖片的?踢是從噪聲中出現(xiàn)的。Diffusion 的工作原理使用擴(kuò)散模型少暤成圖像的心思路還是基于已存在的大的計(jì)算機(jī)視覺(jué)模型，只輸入足夠大的數(shù)據(jù)集，這模型可以學(xué)習(xí)任意復(fù)雜的作。假設(shè)我們已經(jīng)有了一圖像，生成產(chǎn)生一些噪聲入到圖像中，然后就可以該圖像視作一個(gè)訓(xùn)練樣例使用相同的操作可以生倍伐量訓(xùn)練樣本來(lái)訓(xùn)練圖像生模型中的核心組件。上述子展示了一些可選的噪聲值，從原始圖像 (級(jí)別 0，不含噪聲) 到噪聲全部添加 (級(jí)別 4) ，從而可以很容易地控制燕山少噪聲添加到圖像中。所我們可以將這個(gè)過(guò)程分散幾十個(gè) steps 中，對(duì)數(shù)據(jù)集中的每張圖像都以生成數(shù)十個(gè)訓(xùn)練樣本。于上述數(shù)據(jù)集，我們就熏池訓(xùn)練出一個(gè)性能極佳的噪預(yù)測(cè)器，每個(gè)訓(xùn)練 step 和其他模型的訓(xùn)練相似。當(dāng)以某崌山種確定的配置行時(shí)，噪聲預(yù)測(cè)器就可以成圖像。移除噪聲，繪制像經(jīng)過(guò)訓(xùn)練的噪聲預(yù)測(cè)器以對(duì)一幅添加噪聲的圖像行去噪，也可以預(yù)測(cè)添加噪聲量。由于采樣的噪聲可預(yù)測(cè)的，所以如果從圖中減去噪聲，最后得到鮆魚像就會(huì)更接近模型訓(xùn)練得的圖像。得到的圖像并非一張精確的原始圖像，而分布（distribution），即世界的像素排列，比如天空通常是藍(lán)色，人有兩只眼睛，貓有尖朵等等，生成的具體圖像格完全取決于訓(xùn)練數(shù)據(jù)集不止 Stable Diffusion 通過(guò)去噪進(jìn)行圖像生成，DALL-E 2 和谷歌的 Imagen 模型都是如此。需要注意的是，到目前瞿如止述的擴(kuò)散過(guò)程還沒(méi)有使用何文本數(shù)據(jù)生成圖像。因，如果我們部署這個(gè)模型話，它能夠生成很好看的像，但用戶沒(méi)有辦法控墨家成的內(nèi)容。在接下來(lái)的部中，將會(huì)對(duì)如何將條件文合并到流程中進(jìn)行描述，便控制模型生成的圖像類。加速：在壓縮數(shù)據(jù)上擴(kuò)為了加速圖像生成的過(guò)程Stable Diffusion 并沒(méi)有選擇在像素圖像本身聞獜運(yùn)行擴(kuò)散過(guò)，而是選擇在圖像的壓縮本上運(yùn)行，論文中也稱之「Departure to Latent Space」。整個(gè)壓縮過(guò)程，包括后續(xù)的解壓、禹制圖像是通過(guò)自編碼器完成的，圖像壓縮到潛空間中，然僅使用解碼器使用壓縮后信息來(lái)重構(gòu)。前向擴(kuò)散計(jì)蒙forward diffusion）過(guò)程是在壓縮 latents 完成的，噪聲的切片（slices）是應(yīng)用于 latents 上的噪聲，而非像素圖像，所始均噪聲預(yù)測(cè)器實(shí)際是被訓(xùn)練用來(lái)預(yù)測(cè)壓縮表（潛空間）中的噪聲。比翼過(guò)程，即使用使用自編碼中的編碼器來(lái)訓(xùn)練噪聲預(yù)器。一旦訓(xùn)練完成后，就以通過(guò)運(yùn)行反向過(guò)程（自碼器中的解碼器）來(lái)生成像。前向和后向過(guò)程如下示，圖中還包括了一個(gè) conditioning 組件，用來(lái)描述模型應(yīng)該成圖像的文本提示。文本碼器：一個(gè) Transformer 語(yǔ)言模型模型中的語(yǔ)言理解組件使用蛇山 Transformer 語(yǔ)言模型，可以將輸入的文本提示轉(zhuǎn)換光山 token 嵌入向量。發(fā)布的 Stable Diffusion 模型使用 ClipText (基于 GPT 的模型) ，這篇文章中為了方便講解選擇使用 BERT 模型。Imagen 論文中的實(shí)驗(yàn)表明，相比選擇更大的圖泰山生成件，更大的語(yǔ)言模型可以來(lái)更多的圖像質(zhì)量提升。期的 Stable Diffusion 模型使用的是 OpenAI 發(fā)布的經(jīng)過(guò)預(yù)訓(xùn)練的 ClipText 模型，而在 Stable Diffusion V2 中已經(jīng)轉(zhuǎn)向了最新發(fā)布的鵌更大的 CLIP 模型變體 OpenClip.CLIP 是怎么訓(xùn)練的？CLIP 需要的數(shù)據(jù)為圖像及其標(biāo)題數(shù)據(jù)集中大約包含 4 億張圖像及描述。數(shù)據(jù)集巫肦從網(wǎng)上抓取的圖片以及相的「alt」標(biāo)簽文本來(lái)收集的。CLIP 是圖像編碼器和文本編碼器的組合其訓(xùn)練過(guò)程可以簡(jiǎn)化為拍圖像和文字說(shuō)明，使用兩編碼器對(duì)數(shù)據(jù)分別進(jìn)行編。然后使用余弦距離比較果嵌入，剛開始訓(xùn)練時(shí)，使文本描述與圖像是相匹的，它們之間的相似性肯也是很低的。隨著模型淫梁斷更新，在后續(xù)階段，編器對(duì)圖像和文本編碼得到嵌入會(huì)逐漸相似。通過(guò)在個(gè)數(shù)據(jù)集中重復(fù)該過(guò)程，使用大 batch size 的編碼器，最終能夠生成一個(gè)嵌入向量，鳧徯中的圖像和句子「一條狗的片」之間是相似的。就像 word2vec 中一樣，訓(xùn)練過(guò)程也需要包括匹配的圖片和說(shuō)明的負(fù)樣，模型需要給它們分配較的相似度分?jǐn)?shù)。文本信息入圖像生成過(guò)程為了將文條件融入成為圖像生成過(guò)的一部分，必須調(diào)整噪聲測(cè)器的輸入為文本。所宣山操作都是在潛空間上，包編碼后的文本、輸入圖像預(yù)測(cè)噪聲。為了更好地了文本 token 在 Unet 中的使用方式，還需要先了解一下 Unet 模型。Unet 噪聲預(yù)測(cè)器中的層（無(wú)文本炎帝一不使用文本的 diffusion Unet，其輸入輸出如下所示：在模型部，可以看到：1. Unet 模型中的層主要用于轉(zhuǎn)燭陰 latents；2. 每層都是在之前層的輸出上進(jìn)行操作；3. 某些輸出（通過(guò)殘差連接雷神將饋送到網(wǎng)絡(luò)后面的處理中4. 將時(shí)間步轉(zhuǎn)換為時(shí)間步長(zhǎng)嵌入向量猼訑可以在層中用。Unet 噪聲預(yù)測(cè)器中的層（帶文本）現(xiàn)在就要將之前的系統(tǒng)改裝成帶本版本的。主要的修改部就是增加對(duì)文本輸入（術(shù)：text conditioning）的支持，即在 ResNet 塊之間添加一個(gè)注意力層。需要意的是，ResNet 塊沒(méi)有直接看到文本內(nèi)容銅山是通過(guò)注意力層將文本在 latents 中的表征合并起來(lái)，然箴魚下一個(gè) ResNet 就可以在這一過(guò)程中利女虔上文本信息。考資料：https://jalammar.github.io/illustrated-stable-diffusion/https://www.reddit.com/r/MachineLearning/comments/10dfex7/d_the_illustrated_stable_diffusion_video/本文來(lái)自微信公眾號(hào)：新智元 （ID：AI_era）