生成模型 | 从 VAE 到 Diffusion Model （上）

news2024/11/23 23:03:25

在这里插入图片描述

一，GAN(对抗式生成网络）

生成器：给定一个随机噪声，生成比较真实的图像
判别器：给一个生成的图像和真实的图像，让判别器去判断，哪个是真图片，哪个是假图片
判别器和生成器会不断提升自身的能力，互相较量。 DEEP FAKE 火爆大家可以试一试这个基于GAN的应用。
缺点：
- GAN的 训练不够稳定，因为他要同时训练两个网络，所以就有一个平衡的问题。训练不好的话，模型就坍塌了
- GAN 主要的目标就是“真实”，所以他的 创造性不好。他的多样性来自于刚开始的随机噪声。他 不是一个概率模型，他的生成是隐式的，是通过一个网络去完成的，所以你不知道他做了什么，遵循什么分布，在数学上不优雅。

自己重建自己：给定一个图片，输入到一个Encoder 里面，然后得到一个维度小很多的特征，然后过一个 Decoder 解码器，最后得到一个图像。我们的目标函数呢，就是重建这个图像，所以是自己重建自己，自回归模型
中间那个特征维度很小，所以也叫bottleneck
主要目的是学习bottleneck特征的，把这个特征去做分类，分割，检测这些任务。并不是用来做生成的，他这里学到的不是一个概率分布。我们没法对他进行采样。
Denoising Auto-Encoder：把输入的原始图片进行打乱，重建原始的图片。会让训练的模型更加的稳健。

AE 和 DAE 主要的目的是去学bottlenck的特征，用这个特征去做下游任务，并不是用来做生成的。

Encoder- Decoder这个结构很好，如何用这个结构做图像生成呢？ VAE来了。

在这里插入图片描述

VAE 学习的不是特征了，而是一个分布，作者假设这个 分布是一个高斯分布，这个分布就可以用 (均值，方差) 来表示。

具体来说：当我们从编码器得到特征之后，我们在后面加 FC 层，用它去预测均值和方差，然后就可以用下面的公式，采样一个 z 出来，这样VAE就可以做生成了，这个 z 就是一个可以从高斯分布中随机抽样出的一个样本。

从贝叶斯概率的角度来看， VAE 学的是一个概率分布，他从分布里去抽样，所以他生成图片的多样性比GAN好很多

缺点： VAE 不好把图片的尺寸做大，而且 z 的分布也不是很好学
在这里插入图片描述

DALL-E的第一版模型就是在VQ-VAE的基础上做的.

把VAE量化离散了。

为什么离散VAE呢？ VAE 不好把图片的尺寸做大，而且 z 的分布也不是很好学
取而代之的是，不去做分布的推测，而是 用一个codebook去代替了。
- codebook可以理解为聚类的中心，codebook的大小一般为KXD（8192x512), 也就是8192个聚类中心
输入一个图片进入编码器得到一个特征图，把特征图里面的向量和 codebook 里面的向量做对比，看他和哪个聚类中心最接近，然后就把聚类中心这个编码存到 Z 这个矩阵里，一旦做好了聚类的分配，我们就不需要之前的特征图了，取而代之的是，把Z 中index 对应的codebook的特征拿出来，变成一个新的特征图，也就是一个量化后的特征 (quantized feature), 这个量化后的特征就非常可控了，他是从codebook里面来的，而不是一个随机的东西。所以优化起来相对容易。
然后通过解码器重构一张图片。

这里的codebook有点像 AE 里面的 bottlenet那块的特征，是拿去做high level 的任务的，也就是做分类，检测。如果想让他做生成，我们还需要单独再训练一个prior 网络。

在这里插入图片描述

在视觉这边 BEIT 把 DALL-E训练好的 codebook 拿过去，然后把图片全都量化成这样子的特征图，拿这个去做Ground Truth，自监督的训练一个视觉网络。

把模型变成层级式的，不仅做局部的建模，也做了全局的建模，还加上了attention，模型表达能力变强了
同时，他还根据codebook 又去学了一个prior，
- 作者这里训练了一个 pixelCNN 当作这个 prior 网络，从而能够利用这个训练好的codebook来做图像的生成。 pixcelCNN 是一个自回归模型

对于VQ-VAE来说，先训练了一个codebook, 然后又训练一个pixcelCNN去做生成。
pixcelCNN 是一个自回归模型，还有什么模型是自回归模型吗？ GPT

在这里插入图片描述

OpenAI 把pixcelCNN 换成了GPT。既然 language 那边做的又那么好，为什么不想个办法，用文本来引导图像生成呢？所以就有了DALL-E
把文本特征和图像特征直接连接起来，就变成了一个有1280token的序列
然后把序列给到GPT，随机把token做一下mask，然后GPT去自回归的还原这个mask token
推理的时候，提供text，变成text embedding，然后GPT 把文本特征用自回归的方式把图片生成出来

在这里插入图片描述