部分截图来自原课程视频《2023李宏毅最新生成式AI教程》，B站自行搜索。

书接上文。

denoising matching term

$$E_{q(x_t|x_0)}\left[D_{KL}(q(x_{t-1}|x_t,x_0)||p_{\theta }(x_{t-1}|x_t))\right]$$
这个式子还是很复杂，先来关注中间部分：
$$q(x_{t-1}|x_t,x_0)$$

其含义是已知清晰的图片$x_0$和经过$t$个Denoise步骤后$x_t$的情况下，其中间某个Denoise后的分布$x_{t-1}$

上面的原理那节中已经知道下面三个式子的计算方法：

现在的思路就是要把不会计算的式子用已知的式子表达出来。
$$\begin{array}{rl}q(x_{t-1}|x_t,x_0)& =\frac{q(x_{t-1},x_t,x_0)}{q(x_t,x_0)}\\ & =\frac{q(x_t|x_{t-1},x_0)q(x_{t-1}|x_0)\cancel{q(x_0)}}{q(x_t|x_0)\cancel{q(x_0)}}\\ & =\frac{q(x_t|x_{t-1},x_0)q(x_{t-1}|x_0)}{q(x_t|x_0)}\end{array}$$
上式中的三个q都是搞屎分布，而且三个分布的均值和Var都已知（看上面图片），下面就是原论文的推导：
$$\begin{array}{rl}q(x_{t-1}|x_t,x_0)& =\frac{q(x_t|x_{t-1},x_0)q(x_{t-1}|x_0)}{q(x_t|x_0)}\\ & =\frac{\mathcal{N}(x_t;\sqrt{{\alpha }_t}{x}_{t-1},(1-{\alpha }_t)\mathrm{I})\mathcal{N}(x_{t-1};\sqrt{{\bar{\alpha }}_{t-1}}{x}_0,(1-{\bar{\alpha }}_{t-1})\mathrm{I})}{\mathcal{N}(x_t;\sqrt{{\bar{\alpha }}_t}{x}_0,(1-{\bar{\alpha }}_t)\mathrm{I})}\\ & \propto \exp \left\{-\left[\frac{(x_t-\sqrt{{\alpha }_t}{x}_{t-1}{)}^2}{2(1-{\alpha }_t)}+\frac{(x_{t-1}-\sqrt{{\bar{\alpha }}_{t-1}}{x}_0{)}^2}{2(1-{\bar{\alpha }}_{t-1})}-\frac{(x_t-\sqrt{{\bar{\alpha }}_t}{x}_0{)}^2}{2(1-{\bar{\alpha }}_t)}\right]\right\}\\ & =\exp \left\{-\frac{1}{2}\left[\frac{(x_t-\sqrt{{\alpha }_t}{x}_{t-1}{)}^2}{1-{\alpha }_t}+\frac{(x_{t-1}-\sqrt{{\bar{\alpha }}_{t-1}}{x}_0{)}^2}{1-{\bar{\alpha }}_{t-1}}-\frac{(x_t-\sqrt{{\bar{\alpha }}_t}{x}_0{)}^2}{1-{\bar{\alpha }}_t}\right]\right\}\\ & =\exp \left\{-\frac{1}{2}\left[\frac{(-2\sqrt{{\alpha }_t}{x}_t{x}_{t-1}+{\alpha }_t{x}_{t-1}^2)}{1-{\alpha }_t}+\frac{(x_{t-1}^2-2\sqrt{{\bar{\alpha }}_{t-1}}{x}_{t-1}{x}_0)}{1-{\bar{\alpha }}_{t-1}}+C(x_t,x_0)\right]\right\}\\ & \propto \exp \left\{-\frac{1}{2}\left[-\frac{2\sqrt{{\alpha }_t}{x}_t{x}_{t-1}}{1-{\alpha }_t}+\frac{{\alpha }_t{x}_{t-1}^2}{1-{\alpha }_t}+\frac{x_{t-1}^2}{1-{\bar{\alpha }}_{t-1}}-\frac{2\sqrt{{\bar{\alpha }}_{t-1}}{x}_{t-1}{x}_0}{1-{\bar{\alpha }}_{t-1}}\right]\right\}\\ & =\exp \left\{-\frac{1}{2}\left[\left(\frac{{\alpha }_t}{1-{\alpha }_t}+\frac{1}{1-{\bar{\alpha }}_{t-1}}\right)x_{t-1}^2-2\left(\frac{\sqrt{{\alpha }_t}{x}_t}{1-{\alpha }_t}+\frac{\sqrt{{\bar{\alpha }}_{t-1}}{x}_0}{1-{\bar{\alpha }}_{t-1}}\right)x_{t-1}\right]\right\}\\ & =\exp \left\{-\frac{1}{2}\left[\frac{{\alpha }_t(1-{\bar{\alpha }}_{t-1})+1-{\alpha }_t}{(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}{x}_{t-1}^2-2\left(\frac{\sqrt{{\alpha }_t}{x}_t}{1-{\alpha }_t}+\frac{\sqrt{{\bar{\alpha }}_{t-1}}{x}_0}{1-{\bar{\alpha }}_{t-1}}\right)x_{t-1}\right]\right\}\\ & =\exp \left\{-\frac{1}{2}\left[\frac{{\alpha }_t-{\bar{\alpha }}_t+1-{\alpha }_t}{(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}{x}_{t-1}^2-2\left(\frac{\sqrt{{\alpha }_t}{x}_t}{1-{\alpha }_t}+\frac{\sqrt{{\bar{\alpha }}_{t-1}}{x}_0}{1-{\bar{\alpha }}_{t-1}}\right)x_{t-1}\right]\right\}\\ & =\exp \left\{-\frac{1}{2}\left[\frac{1-{\bar{\alpha }}_t}{(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}{x}_{t-1}^2-2\left(\frac{\sqrt{{\alpha }_t}{x}_t}{1-{\alpha }_t}+\frac{\sqrt{{\bar{\alpha }}_{t-1}}{x}_0}{1-{\bar{\alpha }}_{t-1}}\right)x_{t-1}\right]\right\}\\ & =\exp \left\{-\frac{1}{2}\left(\frac{1-{\bar{\alpha }}_t}{(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}\right)\left[x_{t-1}^2-2\frac{\left(\frac{\sqrt{{\alpha }_t}{x}_t}{1-{\alpha }_t}+\frac{\sqrt{{\bar{\alpha }}_{t-1}}{x}_0}{1-{\bar{\alpha }}_{t-1}}\right)}{\frac{1-{\bar{\alpha }}_t}{(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}}{x}_{t-1}\right]\right\}\\ & =\exp \left\{-\frac{1}{2}\left(\frac{1-{\bar{\alpha }}_t}{(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}\right)\left[x_{t-1}^2-2\frac{\left(\frac{\sqrt{{\alpha }_t}{x}_t}{1-{\alpha }_t}+\frac{\sqrt{{\bar{\alpha }}_{t-1}}{x}_0}{1-{\bar{\alpha }}_{t-1}}\right)(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}{1-{\bar{\alpha }}_t}{x}_{t-1}\right]\right\}\\ & =\exp \left\{-\frac{1}{2}\left(\frac{1}{\frac{(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}{1-{\bar{\alpha }}_t}}\right)\left[x_{t-1}^2-2\frac{\left(\frac{\sqrt{{\alpha }_t}{x}_t}{1-{\alpha }_t}+\frac{\sqrt{{\bar{\alpha }}_{t-1}}{x}_0}{1-{\bar{\alpha }}_{t-1}}\right)(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}{1-{\bar{\alpha }}_t}{x}_{t-1}\right]\right\}\\ & \propto \mathcal{N}\left(x_{t-1;}\underset{{\mu }_q(x_t,x_0)}{\underbrace{\frac{\sqrt{{\alpha }_t}(1-{\bar{\alpha }}_{t-1})x_t+\sqrt{{\bar{\alpha }}_{t-1}}(1-{\alpha }_t)x_0}{1-{\bar{\alpha }}_t}}},\underset{{\sum }_q(t)}{\underbrace{\frac{(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}{1-{\bar{\alpha }}_t}\mathrm{I}}}\right)\end{array}$$
经过以上的推导，得到以下结论：
$q(x_{t-1}|x_t,x_0)$仍然是一个高斯分布，其Mean为：
$$\frac{\sqrt{{\alpha }_t}(1-{\bar{\alpha }}_{t-1})x_t+\sqrt{{\bar{\alpha }}_{t-1}}(1-{\alpha }_t)x_0}{1-{\bar{\alpha }}_t}=\frac{\sqrt{{\alpha }_t}(1-{\bar{\alpha }}_{t-1})x_t+\sqrt{{\bar{\alpha }}_{t-1}}{\beta }_t{x}_0}{1-{\bar{\alpha }}_t}$$
看分子大概意思就是中间步骤$x_{t-1}$是由$x_0$和$x_t$按某个权重比例进行融合而成。
Variance为：
$$\frac{(1-{\alpha }_t)(1-{\bar{\alpha }}_{t-1})}{1-{\bar{\alpha }}_t}\mathrm{I}=\frac{1-{\bar{\alpha }}_{t-1}}{1-{\bar{\alpha }}_t}{\beta }_t\mathrm{I}$$

接下来考虑最小化denoising matching term
$$E_{q(x_t|x_0)}\left[D_{KL}(q(x_{t-1}|x_t,x_0)||p_{\theta }(x_{t-1}|x_t))\right]$$
就是要最小化上式中两个分布的KL散度，当然这两个分布的均值和方差都已经知道，可以套KL的计算公式：
$$D_{KL}(\mathcal{N}(x;{\mu }_x,{\Sigma }_x)||\mathcal{N}(y;{\mu }_y,{\Sigma }_y))=\frac{1}{2}\left[\log \frac{|{\Sigma }_y|}{|{\Sigma }_x|}-d+tr({\Sigma }_y^{-1}{\Sigma }_x)+({\mu }_y-{\mu }_x{)}^T{\Sigma }_y^{-1}({\mu }_y-{\mu }_x)\right]$$
但是实际上不用这么复杂，看下图：

橙色分布是$q(x_{t-1}|x_t,x_0)$，上面的推导显示该分布的均值和方差都是固定值；蓝色分布是$p_{\theta }(x_{t-1}|x_t)$它的方差是固定的，但是均值是变动的，要想使得两个分布接近，就是要将蓝色分布的均值想橙色均值移动。蓝色分布的均值是通过Denoise模块得来的：

也就是要训练Denoise模块，使其得到分布的均值与橙色部分的均值越接近越好。
有了思路，下面来把denoising matching term
$$E_{q(x_t|x_0)}\left[D_{KL}(q(x_{t-1}|x_t,x_0)||p_{\theta }(x_{t-1}|x_t))\right]$$
最小化思路写出来：
1.根据期望中的$q(x_t|x_0)$知道，$x_0$是已知的，因此，我们先从训练数据中先采样一张图片：

2.然后根据$x_0$计算（或者说采样）出$x_t$，过程可根据公式：
$$x_t=\sqrt{{\bar{\alpha }}_t}{x}_0+\sqrt{1-{\bar{\alpha }}_t}ϵ$$

3.将$x_t$和$t$丢进Denoise模块，期待模块输出的结果与橙色分布均值越接近越好：

$q(x_{t-1}|x_t,x_0)$是橙色分布，是$x_{t-1}$的分布，但是可以从其均值公式中可以看到它与$x_{t-1}$没有关系，只是$x_0$和$x_t$的某种权重的结合结果。
将上式进行化简，把$x_0$替换一下，根据：
$$\begin{gathered} x_t=\sqrt{{\bar{\alpha }}_t}{x}_0+\sqrt{1-{\bar{\alpha }}_t}ϵ \\ {x}_t-\sqrt{1-{\bar{\alpha }}_t}ϵ=\sqrt{{\bar{\alpha }}_t}{x}_0 \\ \frac{x_t-\sqrt{1-{\bar{\alpha }}_t}ϵ}{\sqrt{{\bar{\alpha }}_t}}=x_0 \end{gathered}$$

则有：
$$\begin{gathered} \frac{\sqrt{{\alpha }_t}(1-{\bar{\alpha }}_{t-1})x_t+\sqrt{{\bar{\alpha }}_{t-1}}{\beta }_t{x}_0}{1-{\bar{\alpha }}_t} \\ =\frac{\sqrt{{\alpha }_t}(1-{\bar{\alpha }}_{t-1})x_t+\sqrt{{\bar{\alpha }}_{t-1}}{\beta }_t\frac{x_t-\sqrt{1-{\bar{\alpha }}_t}ϵ}{\sqrt{{\bar{\alpha }}_t}}}{1-{\bar{\alpha }}_t} \\ =\frac{1}{\sqrt{{\alpha }_t}}\left(x_t-\frac{1-{\alpha }_t}{1-\sqrt{1-{\bar{\alpha }}_t}}ϵ\right) \end{gathered}$$
因此，Denoise模型最后要输出的东西如下图所示：

可以看到，Denoise模型只需要预测$ϵ$就可以，其他的$x_t$是已知量，${\alpha }_t$是超参数¹。

这个式子也是原文采样算法中的第四步的式子。

但是第四步中还有一项：${\sigma }_{t}z$
这项是一个噪音，如下图所示，经过Denoise模块得到的是一个高斯分布的Mean，加上一个噪音后，相当于加上了一个Variance，也相当于对分布进行了因此采样。

${\sigma }_{t}z$的猜想

为什么要加这项噪音，而不直接使用分布的Mean？以下内容非原论文内容，而是老师自己的解读。
Mean是概率密度分布最大的值，使用概率最大的作为输出会有问题。
同样的现象在GPT里面也有：

GPT中也是先产生一个概率分布，然后再从分布中进行采样，而不是取几率最大那个，这样做理论上可以带来一些随机性，使得模型在回答同一个问题的时候会给出不同的答案。但又为什么一定要有随机性，而非固定最大概率？
研究者在文章The Curious Case of Neural Text Degeneration中大概给出一些答案。

在给定上下文的情况下，只取概率最大的文字就会像蓝色文字一样，变成复读机，而加入采样的结果就比较正常（红字）。
同样，该文章还对比了取概率最大（蓝色线）以及人类（橙色线）的概率曲线，可以看到人类写作过程中用词经过GPT来算得到概率并不是选择最大那个。而蓝色线对应的文本又出现了复读机现象。

语音处理方面也有类似操作，Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions的模型如下：

该文章在Decoder部分加了抓爆：
The convolutional layers in the network are regularized using dropout [25] with probability 0.5, and LSTM layers are regularized using zoneout [26] with probability 0.1. In order to introduce output variation at inference time, dropout with probability 0.5 is applied only to layers in the pre-net of the autoregressive decoder.
在做类似上面End2End的模型需要在inference的阶段加抓爆，会得到比较好的结果。

对于Diffusion Model来说，它可以看做是一种Autoregressive模型的特例，Autoregressive模型通常是一次到位，而Diffusion Model而是 分解为N次到位，每一小步的Denoise都可以看做是一次Autoregressive，既然Autoregressive中加随机性效果有提升，那么在Denoise过程加随机性效果也会有提升：

最后基于DDPM的原文代码，进行了是否加随机性的实验，结果如下：

Diffusion Model for Speech

Diffusion不但在图像上有应用，在语音方面效果也不错。谷歌团队的WaveGrad: Estimating Gradients for Waveform Generation中提出了WaveGrad。

WaveGrad原理和原始的Diffusion 模型很像，只不过noise变成了一维的而已。

连算法都非常相似：

Diffusion Model for Text

文字直接用Diffusion Model是不行的，文字本身是Discrete的，难不成你要把文字变成乱码么，当然不行。

解决方法就是先将文字转换为Latent space中的向量表达，embedding是连续的，加noise没有问题。

斯坦福研究文章：Diffusion-LM Improves Controllable Text Generation

上海AI实验室团队发表在23年ICLR的DiffuSeq: Sequence to Sequence Text Generation with Diffusion Models也使用了相同的思路。

还有另外一种思路，既然文本不能直接加高斯分布的noise，可以尝试加其他形式的noise，在谷歌团队发表的DiffusER: Discrete Diffusion via Edit-based Reconstruction文章中，使用MASK标记作为noise：

模型构架如下：

它是基于Edit操作的Diffusion模型，具体包括：
INSERT: The insertion operation is used to add new text to a sequence. For example in Figure 1, “uses editing processes” is added by DiffusER at timestep $x_{T-2}$.
DELETE: The deletion operation erases existing text. In Figure 1, this is shown when “These” gets deleted at timestep $x_{T-2}\to x_{T-3}$.
REPLACE: The replacement operation works overwriting existing text with new text. This is shown in Figure 1 at step $x_T\to x_{T-1}$ where “filter Toronto guilty trough feel” is replaced by “These model
guilty named DiffusER”.
KEEP: The keep operation ensures that a portion of the text remains unchanged into the next iteration. This is illustrated in timestep $x_{T-2}\to x_{T-3}$ where “model named DiffusER” is kept.

Mask-Predict

Diffusion模型的为什么效果很好？不是因为上面各种公式的推导，根本原因在于它结合各个击破和一次到位两种方式的优势（两种方式的解释可以看06.GPT-4+图像生成）
因为在Diffusion模型未出现之前就有研究将两种方式的优点进行了结合，思路就是将Non-Autoregressive模型改为Autoregressive模型，里面并未使用Diffusion中最大化似然的目标函数，但效果也很不错。
下面是脸书团队的文章成果：Mask-Predict: Parallel Decoding of Conditional Masked Language Models，假设有一个NLP的对话任务，该问句可以有两个答案，采用Non-Autoregressive模型（AutoEncoder，一次到位）可能会得到很差的模型，每个分布采样得到的结果合起来就是不知所云。

将上面的模型改成Autoregressive模型，把结果不好的结果（几率较低的部分）再次MASK，重新再做一次生成：

也就是在Decoder方向上做了Autoregressive

不光在NLP领域有这样是思路，在CV领域也有，称为：Masked Visual Token Modeling (MVTM)，谷歌团队发表的文章有：
MaskGIT: Masked Generative Image Transformer
Muse: Text-To-Image Generation via Masked Generative Transformers
两篇文章一篇是单纯的图片生成，另外一篇是文字生成图片。

第一步先训练AutoEncoder，并获得图片的Visual Tokens，然后将Visual Tokens用灰色的Mask token随机盖住，然后训练一个bidirectional tranformer model将其还原为原来的Visual Tokens

在Inference阶段，丢一张全部都是mask的图片进Decoder，得到一个结果，然后将概率较低的部分再次mask，又丢进Decoder，直到图片生成完毕。

原文给出效果如下：

这里额外使用AutoEncoder中的Decoder做了图片可视化操作，该Decoder与还原mask的那个Decoder不是一个。
当然还对比了单纯一次一个pixel进行Autoregressive的结果：

可以看到，上面Non-Autoregressive仅仅使用了比较少的step就完成了图片生成，但是清晰度方面还是下面Autoregressive比较好。

---

1. 问：为什么要把${\alpha }_t$做为超参数，而不去训练它？
   答：DDPM作者有尝试过训练它，但是效果并没有明显提升；
   ${\alpha }_t$其实是与$\beta$递增序列有关，如何递增效果最好还未有定论，原文使用的是线性递增的关系，后来也有研究人员尝试使用别的递增关系尝试来提高DDPM的性能。 ↩︎