论文标题： Scalable diffusion models with transformers
论文链接：https://openaccess.thecvf.com/content/ICCV2023/html/Peebles_Scalable_Diffusion_Models_with_Transformers_ICCV_2023_paper.html
代码：https://github.com/facebookresearch/DiT/blob/main/README.md
引用：Peebles W, Xie S. Scalable diffusion models with transformers[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2023: 4195-4205.
导读
本文探索了一种基于 transformer 体系结构的新型扩散模型。作者使用Transformer来训练图像的潜在扩散模型，取代了通常使用的U-Net骨干网络，这个Transformer操作在潜在图像块上。研究还分析了这种新模型的可伸缩性，通过Gflops（每秒十亿次浮点运算）来衡量前向传播复杂性。研究发现，具有更高Gflops的Diffusion Transformers（DiTs）——通过增加Transformer的深度/宽度或增加输入标记的数量——通常具有更低的FID（Frechet Inception Distance）。此外，研究中最大的DiT-XL/2模型在类别条件的ImageNet 512x512和256x256基准上表现出色，取得了后者的最先进 FID 成绩为2.27。
本文贡献
提出了一种新的扩散模型架构，称之为Diffusion Transformers（DiTs）。这一架构基于Transformers，用于图像生成任务。
研究表明，传统的扩散模型架构中常用的U-Net骨干并不是性能的关键因素。他们成功地将U-Net替换为标准的Transformer架构，这意味着扩散模型可以采用更通用的设计，如Transformers，而不受限于特定的架构。
通过使用DiTs架构，研究者在 ImageNet 生成基准上实现了显著的性能提升，将FID（Frechet Inception Distance）降低到2.27，达到了最新的最先进水平。
预备知识
扩散模型的基本理论
高斯扩散模型假设了一个前向噪声过程，并逐渐将噪声应用于真实数据：
通过应用重新参数化的技巧，我们可以进行采样：
扩散模型的训练是为了学习反向过程，即将前向过程中的损坏恢复成原始数据的过程：
训练反向过程模型时，使用了变分下界（variational lower bound)来估计x0的对数似然：
通过将µθ重新参数化为噪声预测网络 εθ，该模型可以使用预测噪声
但是，为了用学习到的反向过程协方差
无分类器引导
条件扩散模型将额外信息作为输入，如类别标签c。在这种情况下，反向过程变为：
在这种情况下，可以使用无分类器的指导来鼓励采样程序找到x，从而使 log p(c|x) 变高。根据贝叶斯规则：
因此，
所以在想要条件的概率较大，就可以将条件的梯度增加到优化目标里，最终可以表示成如下形式：
无分类器引导已被广泛认为能够显著提高样本生成的质量，而这一趋势在DiTs模型中同样有效。
潜在扩散模型（Latent diffusion models）
直接在高分辨率像素空间中训练扩散模型在计算上是代价高昂的。潜在扩散模型（LDMs）通过一个两阶段的方法来解决这一问题：首先，学习一个自编码器，将图像压缩为具有学习编码器E的较小空间表示；其次，训练表示z = E(x)的扩散模型，而不是图像x的扩散模型（E是冻结的）。然后，可以通过从扩散模型中采样表示z，然后使用学习的解码器进行解码，生成新的图像x = D(z)。如图2所示，潜在扩散模型在使用像ADM这样的像素空间扩散模型的Gflops的一小部分的情况下实现了良好的性能。因为作者关注计算效率，这使得它们成为架构探索的吸引人的起点。
本文方法
Patchify： DiT的输入是一个空间表示z（对于256x256x3的图像，z的形状为32x32x4）。DiT的第一层是“patchify”，它通过线性嵌入输入中的每个图像块，将空间输入转换为T个维度为d的标记序列。随后，我们对所有输入标记应用标准的ViT基于频率的位置嵌入（正弦-余弦版本）。通过patchify创建的标记数量T由补丁大小的超参数p确定。
如图4所示，将p减半会使T增加四倍，从而至少使总的Transformer Gflops增加四倍。尽管对Gflops有显著影响，但需要注意的是，更改p对下游参数数量没有实际影响。
作者将p设置为2、4和8。
DiT块设计：在经过patchify之后，输入标记由一系列Transformer块进行处理。除了噪声图像输入，扩散模型有时还处理额外的条件信息，如噪声时间步t、类别标签c、自然语言等。研究者探索了四种不同处理条件输入的Transformer块变体。这些设计对标准的ViT块设计进行了小而重要的修改。所有块的设计都在图3中显示（经过实验分析最终作者选择了adaLN块）。下面介绍这四种块。
In-context Conditioning：这种方法简单地将t和c的向量嵌入作为两个额外的标记附加在输入序列中，对待它们与图像标记没有区别。这类似于ViTs中的cls标记，它允许我们在不进行修改的情况下使用标准的ViT块。在最后一个块之后，将条件化标记从序列中删除。这种方法对模型引入了几乎可以忽略的新Gflops开销。
Cross-Attention Block：这种方法将t和c的嵌入连接成一个长度为 2 的序列，与图像标记序列分开。Transformer块进行了修改，包括多头自注意力块之后的多头跨注意力层，跨注意力块为模型添加的Gflops最多，大约增加了15%的开销。
Adaptive Layer Norm (adaLN) Block：这种方法基于GANs和具有UNet骨干的扩散模型中广泛使用的自适应标准化层，将Transformer块中的标准规范层替换为自适应规范（adaLN）。与直接学习γ和β等参数不同，它们从t和c的嵌入向量之和中回归得出。在作者研究的三种块设计中，adaLN添加的Gflops最少，因此计算效率最高。这也是唯一一种将相同函数应用于所有标记的条件化机制。
adaLN-Zero Block：之前的研究发现，将每个残差块初始化为恒等函数是有益的。为了实现这一目标，作者探索了adaLN DiT块的修改版本，该版本与之前类似。除了回归γ和β，他们还回归了应用于DiT块内的任何残差连接之前的维度缩放参数α。他们将MLP初始化为对所有α输出零向量，从而将整个DiT块初始化为恒等函数。与普通的adaLN块一样，adaLN-Zero对模型添加的Gflops几乎可以忽略不计。
Transformer decoder：在DiT架构的最后一个DiT块之后，需要将图像标记序列解码为输出的噪声预测和对角协方差预测。这两个输出的形状与原始的空间输入相同。为了实现这一目标，作者使用了标准的线性解码器，将最后的层规范（如果使用adaLN，则为自适应）应用于每个标记，并线性解码为一个p x p x 2C张量，其中C是DiT输入中的通道数。最后，将解码后的标记重新排列成原始的空间布局，得到了噪声和协方差的预测。
实验
实验结果
不同扩散模型的效果对比如下:
从下图可以看出adaLN-Zero方法明显好于cross-attention和in-contenxt，所以实验中均采用adaLN-Zero方法进行上下文交互:
缩放DiT模型可以提高训练的所有阶段的FID:
模型越大、patch size越小生成图像质量越好:
结论
文章提出DiTs结构进行扩散模型图像生成，在Gflops与Stable Diffusion相当的DiTs-XL/2的结构上，把ImageNet 256×256数据集上的FID指标优化到了2.27，达到了SOTA的水平。未来将进一步探索更大的DiTs模型和token数量。
☆ END ☆
如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 woshicver」，每日朋友圈更新一篇高质量博文。
↓扫描二维码添加小编↓
