文生图大模型Stable Diffusion的前世今生！

1、引言

跨模态大模型是指能够在不同感官模态(如视觉、语言、音频等)之间进行信息转换的大规模语言模型。当前图文跨模态大模型主要有：

文生图大模型：如 Stable Diffusion系列、DALL-E系列、Imagen等

图文匹配大模型：如CLIP、Chinese CLIP、BridgeTower等

今天主要讨论Stable Diffusion，首先让我们看一下，Stable Diffusion能做什么呢？

最简单的形式：给它一个文本提示(Text Prompt) ，它将返回与文本匹配的图像。

除此之外，Stable Diffusion还可以用于图像超分、图像修复、样本生成等领域。

Stable Diffusion的发展历程，主要经过如下三个阶段：

DDPM：无条件图片生成（不支持文本提示）

LDM：有条件图片生成（支持文本等其他形式提示）

Stable Diffusion：基于LDM发展而成的强大的文生图大模型

接下来，本文将按照Stable Diffusion的发展历程展开讲解！

2、DDPM

2.1 概要

Denoising Diffusion Probabilistic Models（去噪概率扩散模型，DDPM）在图像生成领域具有里程碑的意义，当前一些主流的文本转图像模型如DALL·E 2、stable-diffusion 和 Imagen 均采用了扩散模型（Diffusion Model）作为图像生成模型，这也引发了对扩散模型的研究热潮。相比传统的GAN来说，扩散模型训练更稳定，而且能够生成更多样的样本。

2.2 基本原理

任务：从随机“向量”到真实图像的生成。和GAN不同的是，DDPM的输入和输出形状是一样的。

动机：DDPM的核心动机，如果我们一点一点地往图像中加噪声，直到把它变成高斯噪声；然后我们把所有加噪的过程逆过来，就可以把高斯分布映射成真实图像的分布。

做法：基于以上动机，作者就设置了如图的加噪声过程（diffusion）和去噪过程（denoising），作者假设加噪过程是个马尔可夫过程，即当前状态只跟上一个状态相关。

扩散模型包括两个过程：

前向过程（扩散，加噪）：对原图x0逐渐增加高斯噪音直至数据变成随机噪音的过程。

反向过程（去噪）：是一个去噪的过程，如果知道反向过程的每一步噪声的真实分布，那么从一个随机噪音N(0, 1)开始，逐渐去噪就能生成一个真实的样本。

简单来讲，图像生成的过程，就是一个去噪的过程；因此扩散模型的关键在于学习图像在前向过程中加入的噪声。

前向过程中，从原图x0到x1，x1到x2，最后到 $x_T$ 的过程，可以用如下公式表示：

式中，xt-1表示第t-1步的噪声图，xt表示第t步的噪声图。理论上，已知x0和 t，可以通过一步步推导获得xt，但是实际上，这种方式比较耗费计算资源。因此作者通过一种方式（重参数化技巧），能实现x0到xt的直接计算，这样就能节省大量资源，如下如所示：如果能从x0直接到x4，就不需要从x1到x2到x3再到x4。

2.3 重参数化

扩散过程的一个重要特性是可以直接基于原始数据x0来对任意t步的xt进行采样。在扩散阶段，根据重参数化，可以推导出x0到xt的直接公式：

扩散过程的这个特性很重要。首先，我们可以看到xt其实可以看成是原始数据x0和随机噪音ϵ的线性组合，其中 $\sqrt[]\alpha_t$ 和 $\sqrt[](1-\alpha_t)$ 为组合系数，它们的平方和等于1，我们也可以称两者分别为signal_rate和noise_rate。

更近一步地，我们可以基于而不是来定义noise schedule，比如我们直接将设定为一个接近0的值，那么就可以保证最终得到的近似为一个随机噪音。其次，后面的建模和分析过程将使用这个特性。

2.4 网络结构

扩散模型的核心就在于训练噪音预测模型，由于噪音和原始数据是同维度的，所以我们可以选择采用AutoEncoder架构来作为噪音预测模型。DDPM所采用的模型是一个基于residual block和attention block的U-Net模型。如下所示：

经U-Net改进过后的整体网络结构如下：

U-Net属于encoder-decoder架构，其中encoder分成不同的stages，每个stage都包含下采样模块来降低特征的空间大小（H和W），然后decoder和encoder相反，是将encoder压缩的特征逐渐恢复。

U-Net在decoder模块中还引入了skip connection，即concat了encoder中间得到的同维度特征，这有利于网络优化。

DDPM所采用的U-Net每个stage包含2个residual block，而且部分stage还加入了self-attention模块增加网络的全局建模能力。

扩散模型其实需要的是T个噪音预测模型，实际处理时，我们可以增加一个time embedding（类似transformer中的position embedding）来将timestep编码到网络中，从而只需要训练一个共享的U-Net模型。具体地，DDPM在各个residual block都引入了time embedding。

2.5 模型训练

虽然扩散模型背后的推导比较复杂，但是我们最终得到的优化目标非常简单，就是让网络预测的噪音和真实的噪音一致。DDPM的训练过程也非常简单，如下图所示，训练过程具体步骤为：

随机选择一个训练样本

从1~T随机抽样一个t

随机产生高斯噪音，并计算当前所产生的带噪音数据xt

输入网络预测噪音

计算产生的噪音和预测的噪音的L2损失

计算梯度并更新网络

一旦训练完成，其采样过程也非常简单：我们从一个随机高斯噪音开始，并用训练好的的网络预测每一步的（从T到1）噪音，并根据该噪声去噪，就能逐步获得精细的生成图像。

2.6 实现效果

衡量模型生成图像质量的指标：

Inception Score（IS）：图像质量的期望值（Exp）和图像质量分布的分歧度（KL），越大越好。

Fréchet Inception Distance（FID）：生成图像和真实图像在特征空间中的分布距离；衡量它们之间的差异，越小越好。

1、在CIFAR10数据集上，DDPM获得了9.46的Inception分数和3.17的最先进的FID分数。

2、在分辨率为256x256 LSUN数据集上，DDPM能生成与ProgressiveGAN同样高质量的图像。

2.7 不足点

虽然DDPM能够生成高质量的图片，但是还存在一些不足：

计算量大：由于DDPM整个扩散过程是在像素空间上进行的，所以计算量很高

不支持条件控制：DDPM是一个单纯的图像生成模型，不支持文本等提示信息，从而限制了其的发展。

3、LDM

3.1 概要

Latent Diffusion Models（潜在扩散模型，LDM）通过在一个潜在表示空间中迭代“去噪”数据来生成图像，然后将表示结果解码为完整的图像，让文图生成能够在消费级GPU上，在10秒级别时间生成图片，大大降低了落地门槛，也带来了文图生成领域的大火。除此之外，LDM在无条件图片生成、图片修复、图片超分任务上也进行了实验，都取得了不错的效果。

3.2 主要创新点

LDM提出了cross-attention的方法来实现多模态训练，使得条件图片生成任务也可以实现。论文中提到的条件图片生成任务包括：类别条件图片生成（class-condition）, 文图生成（text-to-image）, 布局条件图片生成（layout-to-image）。这也为日后Stable Diffusion的开发奠定了基础。

DDPM在像素空间上训练模型，需要反复迭代计算，因此训练和推理代价都很高。DLM提出一种在潜在表示空间上进行扩散过程的方法，能够显著减少计算复杂度，同时也能达到十分不错的图片生成效果。

相比于其它空间压缩方法，论文提出的方法可以生成更细致的图像，并且在高分辨率图片生成任务（如风景图生成，百万像素图像）上表现得也很好。

3.3 网络结构

Latent Diffusion Models整体框架如图，首先需要训练好一个自编码模型（AutoEncoder，包括一个编码器 E 和一个解码器D。这样一来，我们就可以利用编码器对图片进行压缩，然后在潜在表示空间上做diffusion操作，最后我们再用解码器恢复到原始像素空间即可，论文将这个方法称之为感知压缩（Perceptual Compression）。

3.4 图片感知压缩

定义：利用编码器对图片进行压缩，然后在潜在表示空间上做diffusion操作，最后再用解码器恢复到原始像素空间。

原理：通过VAE这类自编码模型对原图片进行处理，忽略掉图片中的高频信息，只保留重要、基础的一些特征；这种方法能够大幅降低训练和采样阶段的计算复杂度。

感知压缩主要利用一个预训练的自编码模型，该模型能够学习到一个在感知上等同于图像空间的潜在表示空间。在感知压缩的过程中，设置下采样因子的大小为： f=H/h=W/w，通过对原图进行f倍的下采样，让扩散模型在潜在空间中进行，从而减小计算量。

论文对比了 f 在分别 {1, 2, 4, 8, 16, 32}下的效果，发现 f 在 {4−16}之间可以比较好的平衡压缩效率与视觉感知效果。作者重点推荐了LDM-4 和 LDM-8。

3.5 潜在扩散模型

扩散模型可以解释为一个时序去噪自编码器ϵ_θ (x_t,t)，其目标是根据输入x_t和t，取预测噪声。相应的目标函数可以写成如下形式：

其中 t 从 {1,…,T} 中均匀采样获得。

而在潜在扩散模型中，引入了预训练的感知压缩模型，它包括一个编码器ε和一个解码器D。这样在训练时就可以利用编码器得到z_t，从而让模型在潜在表示空间中学习，相应的目标函数可以写成如下形式：

在潜在表示空间上做diffusion操作其主要过程和标准的扩散模型没有太大的区别，所用到的扩散模型的具体实现为 time-conditional UNet。但是有一个重要的地方是论文为diffusion操作引入了Conditioning Mechanisms，通过cross-attention的方式来实现多模态训练，使得条件图片生成任务也可以实现。

3.6 交叉注意力

本文在扩散过程中引入了条件机制（Conditioning Mechanisms），通过cross-attention的方式来实现多模态训练，使得条件图片生成任务得以实现。具体做法是通过训练一个条件时序去噪自编码器ϵ_θ (z_t,t,y)，来通过 y来控制图片合成的过程。

为了能够从多个不同的模态预处理 y ，论文引入了一个领域专用编码器τ_θ，它用来将 y 映射为一个中间表示τ_θ (y) ，这样我们就可以很方便的引入各种形态的条件（文本、类别等等）。最终模型就可以通过一个cross-attention层映射将控制信息融入到UNet的中间层，cross-attention层的实现如下：

3.7 实现效果

无条件图像生成：

论文从FID和Precision-and-Recall两方面对比LDM的样本生成能力，实验数据集为CelebA-HQ、FFHQ和LSUN-Churches/Bedrooms；其效果超过了GANs和LSGM，并且超过同为扩散模型的DDPM。

有条件图像生成：

采用FID和IS作为衡量图像质量指标，LDM-KL-8-G*在FID和IS两项指标上均获得不错的结果；且在FID相同的情况下，网络参数量显著下降。

4、Stable Diffusion

4.1 概要

Stable diffusion是一种潜在的文本到图像的扩散模型。基于之前的大量工作（如DDPM、LDM的提出），并且在Stability AI的算力支持和LAION的海量数据支持下，Stable diffusion才得以成功。

Stable diffusion在来自LAION- 5B数据库子集的512x512图像上训练潜在扩散模型。与谷歌的Imagen类似，这个模型使用一个冻结的CLIP vitl /14文本编码器来根据文本提示调整模型。

Stable diffusion拥有860M的UNet和123M的文本编码器，该模型相对轻量级，可以运行在具有至少10GB VRAM的GPU上。

4.2 主要改进点

Stable diffusion是在LDM的基础上建立的，同时在LDM的基础上进行了一些改进：

数据集：在更大的数据集LAION- 5B上进行训练

条件机制：使用更强大的CLIP模型，代替原始的交叉注意力调节机制

除此之外，随着各种图形界面的出现、微调方法的发布、控制模型的公开，SD进入全新架构SDXL时代，功能更加强大。

4.3 模型训练

SD的训练是采用了32台8卡的A100机器（32 x 8 x A100_40GB GPUs），单卡的训练batch size为2，并采用gradient accumulation，其中gradient accumulation steps=2，那么训练的总batch size就是32x8x2x2=2048。训练优化器采用AdamW，训练采用warmup，在初始10,000步后学习速率升到0.0001，后面保持不变。至于训练时间约150,000小时（A100卡时），如果按照256卡A100来算的话，那么大约需要训练25天左右。

SD提供了不同版本的模型权重可供选择：

SD v1.1：在laion2B-en数据集上以256x256大小训练237,000步，上面我们已经说了，laion2B-en数据集中256以上的样本量共1324M；然后在laion5B的高分辨率数据集以512x512尺寸训练194,000步，这里的高分辨率数据集是图像尺寸在1024x1024以上，共170M样本。

SD v1.2：以SD v1.1为初始权重，在improved_aesthetics_5plus数据集上以512x512尺寸训练515,000步数，这个improved_aesthetics_5plus数据集上laion2B-en数据集中美学评分在5分以上的子集（共约600M样本），注意这里过滤了含有水印的图片（pwatermark>0.5)以及图片尺寸在512x512以下的样本。

SD v1.3：以SD v1.2为初始权重，在improved_aesthetics_5plus数据集上继续以512x512尺寸训练195,000步数，不过这里采用了CFG（以10%的概率随机drop掉text）。

SD v1.4：以SD v1.2为初始权重，在improved_aesthetics_5plus数据集上采用CFG以512x512尺寸训练225,000步数。

SD v1.5：以SD v1.2为初始权重，在improved_aesthetics_5plus数据集上采用CFG以512x512尺寸训练595,000步数。

其实可以看到SD v1.3、SD v1.4和SD v1.5其实是以SD v1.2为起点在improved_aesthetics_5plus数据集上采用CFG训练过程中的不同checkpoints，目前最常用的版本是SD v1.4和SD v1.5。

4.4 条件控制

SD采用CLIP text encoder来对输入text提取text embeddings，具体的是采用目前OpenAI所开源的最大CLIP模型：clip-vit-large-patch14，这个CLIP的text encoder是一个transformer模型（只有encoder模块）：层数为12，特征维度为768，模型参数大小是123M。对于输入text，送入CLIP text encoder后得到最后的hidden states（即最后一个transformer block得到的特征），其特征维度大小为77x768（77是token的数量），这个细粒度的text embeddings将以cross attention的方式送入UNet中。

值得注意的是，这里的tokenizer最大长度为77（CLIP训练时所采用的设置），当输入text的tokens数量超过77后，将进行截断，如果不足则进行paddings，这样将保证无论输入任何长度的文本（甚至是空文本）都得到77x768大小的特征。在训练SD的过程中，CLIP text encoder模型是冻结的。在早期的工作中，比如OpenAI的GLIDE和latent diffusion中的LDM均采用一个随机初始化的tranformer模型来提取text的特征，但是最新的工作都是采用预训练好的text model。比如谷歌的Imagen采用纯文本模型T5 encoder来提出文本特征，而SD则采用CLIP text encoder，预训练好的模型往往已经在大规模数据集上进行了训练，它们要比直接采用一个从零训练好的模型要好。