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 在博客上對大火的 Stable Diffusion 模型也撰寫了一篇圖解，讓你從零開始徹底搞靈恝圖像生成型的原理，還配有超詳細的視講解！文章鏈接：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)出的圖像生成能力遠遠超出們的預(yù)期，直接根據(jù)文暴山描述能創(chuàng)造出具有驚人視覺效果的像，其背后的運行機制顯得十神秘與神奇，但確實影響了人創(chuàng)造藝術(shù)的方式。Stable Diffusion 的發(fā)布是 AI 圖像生成發(fā)展過程中的一個里程碑，冰鑒當于給大眾供了一個可用的高性能模型，僅生成的圖像質(zhì)量非常思女，運速度快，并且有資源和內(nèi)存的求也較低。相信只要試過 AI 圖像生成的人都會想了解它到底是如何工作的應(yīng)龍這篇文章就為你揭開 Stable Diffusion 工作原理的神秘面紗。Stable Diffusion 從功能上來說主要包括兩方面：1）其核心功能為僅根據(jù)文本提示作為武羅入來成的圖像（text2img）；2）你也可以用它對圖像根據(jù)欽原字描述進行修改（即輸領(lǐng)胡為本 + 圖像）。下面將使用圖示來輔助諸犍釋 Stable Diffusion 的組件，它們之間如何交互，大學及圖像成選項及參數(shù)的含義。Stable Diffusion 組件Stable Diffusion 是一個由多個組件和模型組成的猩猩統(tǒng)，而非單一的模。當我們從模型整體的角提供向型內(nèi)部觀察時，可以發(fā)現(xiàn)，其含一個文本理解組件用于將文信息翻譯成數(shù)字表示（numeric representation），以捕捉文本中的語義無淫息。雖然目前還是從宏緣婦度分析模型，后面才有更多的型細節(jié)，但我們也可以大致推這個文本編碼器是一個特大禹的 Transformer 語言模型（具體來說是 CLIP 模型的文本編碼器）。模型的入為一個文本字符串，輸出為個數(shù)字列表，用來表征文本中每個單詞 / token，即將每個 token 轉(zhuǎn)換為一個向量。然后青鳥些信息會被提到圖像生成器（image generator）中，它的內(nèi)部也包含多個組冰鑒。圖像生成主要包括兩個階段：1. Image information creator這個組件是 Stable Diffusion 的獨家秘方，相比之前的模型，它的很多性能楚辭益都在這里實現(xiàn)的。該組件運行多 steps 來生成圖像信息，其中 steps 也是 Stable Diffusion 接口和庫中的參數(shù)，通常默認堯 50 或 100。圖像信息創(chuàng)建器完全在圖環(huán)狗信息空（或潛空間）中運行，這一特使得它比其他在像素空間工法家 Diffusion 模型運行得更快；從技術(shù)上來看，該件由一個 UNet 神經(jīng)網(wǎng)絡(luò)和一個調(diào)度（scheduling）算法組成。擴散（diffusion）這個詞描述了在該組件內(nèi)部運行期間發(fā)生松山事，即對信息進行一步步地處理并最終由下一個組件（圖像解器）生成高質(zhì)量的圖像武羅2. 圖像解碼器圖像解碼器根據(jù)從像信息創(chuàng)建器中獲取的信息畫一幅畫，整個過程只運?因為一次可生成最終的像素圖像?？梢?到，Stable Diffusion 總共包含三個主要的組件，其中每個王亥件都擁有一獨立的神經(jīng)網(wǎng)絡(luò)：1）Clip Text 用于文本編碼。輸入：文本輸出：77 個 token 嵌入向量，其中每個向量包蠱雕 768 個維度2）UNet + Scheduler 在信息（潛）空間中逐步處理 / 擴散信息。輸入：文本嵌巫即和一個由噪聲組成的初慎子維數(shù)組（結(jié)構(gòu)化的數(shù)字列表，叫張量 tensor）。輸出：一個經(jīng)過處理的信息陣列3）自編碼解碼器（Autoencoder Decoder），使用處理過的信息矩陣繪制最圖像的解碼器。輸入：提供理過信息矩陣，維度為（4, 64, 64）輸出：結(jié)果圖像，各天狗度為（3，512，512），即（紅 / 綠 / 藍，寬，高）什么是 Diffusion？擴散是在下圖中粉紅色太山圖像信息創(chuàng)建器組件中末山生的程，過程中包含表征輸入文本 token 嵌入，和隨機的初始圖像信息矩陣（也絜鉤之為 latents），該過程會還需要用到王亥像解碼器來繪制最圖像的信息矩陣。整個運狙如過是 step by step 的，每一步都會增加更多的相關(guān)女媧息。為了更直觀地感受滅蒙過程，可以中途查看隨機 latents 矩陣，并觀察它是如何鰼鰼化為視覺噪聲的，其中覺檢查（visual inspection）是通過圖像解碼器進浮山的。整個 diffusion 過程包含多個 steps，其中每個 step 都是基于輸入的 latents 矩陣進行操作，并生成另少鵹個 latents 矩陣以更好地貼合「輸入夸父文本」和從型圖像集中獲取的「視覺信息。將這些 latents 可視化可以看到這些信息是如何每個 step 中相加的。整個過程就是從無到有，看黃鷔來當激動人心。步驟 2 和 4 之間的過程轉(zhuǎn)變看起來特別有趣九歌就好像圖片的輪廓是從居暨中出現(xiàn)的。Diffusion 的工作原理使用擴散模型生成圖像騶吾核心思路還是基于已存的強大的計算機視覺模型，只輸入足夠大的數(shù)據(jù)集，這些模可以學習任意復(fù)雜的操作。祝融我們已經(jīng)有了一張圖像，生成生一些噪聲加入到圖像中，然就可以將該圖像視作一個峚山練例。使用相同的操作可以生成量訓(xùn)練樣本來訓(xùn)練圖像生成模中的核心組件。上述例女戚展示一些可選的噪聲量值，從原始像 (級別 0，不含噪聲) 到噪聲全部添加 (級別 4) ，從而可以很容易地控制有多少噪聲添凰鳥到圖像中。所以我可以將這個過程分散在幾離騷個 steps 中，對數(shù)據(jù)集中的每張圖像都黑蛇以生成數(shù)十個訓(xùn)樣本?；谏鲜鰯?shù)據(jù)集，我蟜可以訓(xùn)練出一個性能極佳的噪預(yù)測器，每個訓(xùn)練 step 和其他模型的訓(xùn)練相似。當堵山一種確定的配置運行時，噪聲測器就可以生成圖像。移除噪，繪制圖像經(jīng)過訓(xùn)練的噪升山預(yù)器可以對一幅添加噪聲的圖像行去噪，也可以預(yù)測添加的噪量。由于采樣的噪聲是靈恝預(yù)測，所以如果從圖像中減去噪聲最后得到的圖像就會更接近模訓(xùn)練得到的圖像。得到的圖像非是一張精確的原始圖像，而分布（distribution），即世界的像素排列，比如天空通常是藍剡山的，人有兩只睛，貓有尖耳朵等等，生成的體圖像風格完全取決于訓(xùn)練數(shù)集。不止 Stable Diffusion 通過去噪進行圖像生成，DALL-E 2 和谷歌的 Imagen 模型都是如此。需要注意的是，到前為止描述的擴散過程還相繇有用任何文本數(shù)據(jù)生成圖像。因，如果我們部署這個模型的話它能夠生成很好看的圖少昊，但戶沒有辦法控制生成的內(nèi)容。接下來的部分中，將會對如何條件文本合并到流程中進行描，以便控制模型生成的圖像類。加速：在壓縮數(shù)據(jù)上擴散竊脂加速圖像生成的過程，Stable Diffusion 并沒有選擇在像素圖像本身上運擴散過程，而是選擇在圖像的縮版本上運行，論文中也稱之「Departure to Latent Space」。整個壓縮過程，包括后續(xù)的解、繪制圖像都是通過自編碼器成的，將圖像壓縮到潛空間中然后僅使用解碼器使用壓縮后信息來重構(gòu)。前向擴散（forward diffusion）過程是在壓縮 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，所以噪綸山預(yù)測器實際上是訓(xùn)練用來預(yù)測壓縮表示（潛化蛇）中的噪聲。前向過程，即使使用自編碼器中的編碼器來訓(xùn)噪聲預(yù)測器。一旦訓(xùn)練完強良后就可以通過運行反向過程（自碼器中的解碼器）來生成圖像前向和后向過程如下所虎蛟，圖還包括了一個 conditioning 組件，用來描述模型應(yīng)該生成圖像的文本提畢山。本編碼器：一個 Transformer 語言模型模型中的語言理解組件使用的是 Transformer 語言模型，可以將輸入的萊山本提示轉(zhuǎn)換為 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葌山解選擇使用 BERT 模型。Imagen 論文中的實驗表明，相比貊國擇更大的圖像生成件，更大的語言模型可以女虔來多的圖像質(zhì)量提升。早期的 Stable Diffusion 模型使用的是 OpenAI 發(fā)布的經(jīng)過預(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、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)為圖像及其標題，數(shù)據(jù)集中大約包修鞈 4 億張圖像及描述。數(shù)據(jù)集通過從網(wǎng)上取的圖片以及相應(yīng)的「alt」標簽文本來收集的。CLIP 是圖像編碼器和文本編碼器的合，其訓(xùn)練過程可以簡化為水馬圖像和文字說明，使用兩個編器對數(shù)據(jù)分別進行編碼。然后用余弦距離比較結(jié)果嵌入貍力剛始訓(xùn)練時，即使文本描述與圖是相匹配的，它們之間的相似肯定也是很低的。隨著嫗山型的斷更新，在后續(xù)階段，編碼器圖像和文本編碼得到的嵌入會漸相似。通過在整個數(shù)據(jù)集中復(fù)該過程，并使用大 batch size 的編碼器，最終能夠生成一個嵌入向量虎蛟其中的圖像和句子「一條狗的圖片之間是相似的。就像在 word2vec 中一樣，訓(xùn)練過程也需要包括不匹孟極的圖片和說的負樣本，模型需要給它們分較低的相似度分數(shù)。文鬼國信息入圖像生成過程為了將文本條融入成為圖像生成過程的一部，必須調(diào)整噪聲預(yù)測器的輸入文本。所有的操作都是在潛空上，包括編碼后的文本、輸術(shù)器像和預(yù)測噪聲。為了更好地了文本 token 在 Unet 中的使用方式，還需要季格了解一下 Unet 模型。Unet 噪聲預(yù)測器中的層（無文本）一玉山不使用文本的 diffusion Unet，其輸入輸出如下所示：虎蛟模型內(nèi)部可以看到：1. Unet 模型中的層主要用于轉(zhuǎn)換 latents；2. 每層都是在之前層的輸出上熊山行操作；3. 某些輸出（通過殘差連接）將饋送到網(wǎng)絡(luò)后面的處理蛫4. 將時間步轉(zhuǎn)換為時間步長嵌入量，可以在層中使用。Unet 噪聲預(yù)測器中的層（帶禺號本）現(xiàn)在就需要將之前擁有系統(tǒng)改裝帶文本版本的。主要的修改部就是增加對文本輸入（術(shù)雷神：text conditioning）的支持，即在 ResNet 塊之間添加一個注意力堤山。需要注意的是，ResNet 塊沒有直接看到文本內(nèi)容，而是通過注楚辭力層將文本在 latents 中的表征合并起來，然后下一個 ResNet 就可以在這一過程中利用上文信息。參考資料：https://jalammar.github.io/illustrated-stable-diffusion/https://www.reddit.com/r/MachineLearning/comments/10dfex7/d_the_illustrated_stable_diffusion_video/本文來自微信公眾號：新智元 （ID：AI_era）