学习目标：
一、Stable Diffusion 论文
学习时间：
2023.6.3-2023.6.9
学习产出：
一、模型进展
相比前两周的结果，本周改进了一下参数，FID达到了9
前两周结果为10.258
本周相比前两周FID降低1
二、High-Resolution Image Synthesis with Latent Diffusion Models论文
结构
训练之前需要预训练一个自编码器（包括编码器ε和解码器D）。利用编码器对图片进行压缩，然后在潜在表示空间做扩散操作，最后使用解码器恢复到原始像素空间，使用自编码器的优点是只需要训练一次就能将其用在不同的任务，方便将模型从图像推广到音频、视频、文本等领域。
感知压缩
扩散模型训练分为两个阶段，第一个阶段是训练自编码器，学习到一个在感知上等同于图像控件的潜在表示空间，同时作者使用KL-reg和VQ-reg两种正则化的方法避免潜在表示空间出现高度异化。第二阶段则是训练扩散模型，使用的模型为time-conditional UNet，扩散过程与其他扩散模型没有区别。
具体来说，给定图像 
先利用一个编码器将图像编码到潜在表示空间
，其中 
，然后再用解码器从潜在表示空间重建图片
。
潜在表示空间
潜在扩散模型中，引入了预训练的感知压缩模型，它包括一个编码器和一个解码器。这样在训练时就可以利用编码器得到Zt，从而让模型在潜在表示空间中学习，相应的目标函数如下：
条件机制
除了无条件图像生成外，也可以进行条件图像生成，这主要是通过拓展得到一个条件时序去噪自编码器
来实现的，这样就可通过 y来控制图片合成的过程。论文中通过在UNet主干网络上增加Cross-Attention机制来实现
。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（domain specific encoder）Tθ，它用来将y映射为一个中间表示
，这样就可以引入其他条件（文本、类别、layout等等）。最终模型通过一个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：
