diffusion model(五)：LDM: 在隐空间用diffusion model合成高质量图片

type

status

date

slug

summary

1 背景

近期扩散模型（diffusion model，DM）在图像生成取得了最先进的结果。但是传统的扩散模型是在像素空间(pixel space)进行优化的，高分辨率图像的训练往往需要更大的显存，更多的梯度回传，导致DM模型训练成本高，推理时延长。当下很多工作从优化采样策略、分层方法来解决这两个缺点，但效果有限。latent diffusion model提供了一个新的思路：它将扩散过程从传统的像素空间转到了隐空间（DM模型输入参数量大大降低），极大提升了DM的训练效率和推理效率，使得DM模型得以在单张消费级显卡应用，降低了AI图片生成的上手成本。目前火出圈的Dalle2, Stable Diffusion都用到了LDM技术。下面我们来看LDM是如何做的。

2 方法

2.1 整体架构

LDM主要参考了VQGAN的思路，其整体架构如下图所示。与传统Diffusion model在像素空间(pixel-based diffusion model)重建不同的是，LDM是在隐空间进行重建。为了得到图片的隐空间表征，LDM需要预选训练一个VAE模型。记原始图像为通过VAE的编码器获得图片的隐空间表示，为下采样率。在重建阶段，首先通过DM预测隐空间的表征，再将其送入到VAE的解码器中重建像素空间的表征。本质上LDM是一种二阶段的图片生成方法。

通过在隐空间重建的操作，相较原本的像素空间重建，一个时间步的计算量近似降低了近倍。有同学会问通道数不是从了吗，为什么整体计算量没有扩到倍，其实这只会增加第一层卷积的计算量，相较整体模型而言较低。

原本DM模型的优化目标 LDM的优化目标

在以服从均匀分布进行采样

通过上面的描述不难看出LDM就是套了一层VAE的DM！利用VAE搭建起隐空间和像素空间的桥梁。

2.2 更多细节

2.2.1 感知压缩的权衡

上文提到LDM先通过VAE的encode将图片从像素空间变换到隐空间。当下采样率越大，DM的过程越快，但越大可能导致丢失过多的高频信号，影响重建结果。因此需要对不同的下采样率进行权衡。论文中分别对进行了试验。基于试验结果，作者建议采样率控制在能够取得效率和质量的均衡。

从下图可以看出，当采样率为4-16时，LDM的训练收益比最大。

2.2.2 LDM的训练策略与预测

LDM采用了二阶段的训练策略(two-stage)。需要先训练VAE模型再训练DM模型。DM训练时会利用已训练好的VAE的encode将数据从像素空间切换到隐空间。

预测时，在隐空间随机采样一个噪声，用DM进行去噪。最后将DM的预测结果传给VAE的Decode进行解码。

2.2.3 给生成过程引入控制信号

如果说不带控制信号的LDM是对建模的话，那么加上控制信号的建模可以表述成。控制信号可以是文本、图片布局、轮廓图等。当有有一些更为细粒度的生成存在多个控制信号，即对。为了使得生成过程考虑控制信息，作者在原有的Unet backbone上引入了一个交叉注意力机制，来融入控制信号。首先通过一个将投影到为一个中间表征,随后和DM某层的输出进行融合。

假定是隐变量在Unet在层时间步为时的输出，下面需要将与用交叉注意力机制融合

此时模型的优化目标为

参考文献

[1]:On fast sampling of diffusion probabilistic models. [2]:Noise estimation for generative diffusion models. [3]:Cascaded diffusion models for high fidelity image generation [4]:Hierarchical Text-Conditional Image Generation with CLIP LatentsGitHub [5]:stable diffusion GitHub [6]:Taming transformers for high-resolution image synthesis