[Stable Diffusion/LDM] High-Resolution Image Synthesis with Latent Diffusion Models

        这篇讲解很详细，可以参考：https://zhuanlan.zhihu.com/p/634573765

        附上苏神的讲解：生成扩散模型漫谈（二十二）：信噪比与大图生成（上） - 科学空间|Scientific Spaces

        其中，autoencoder的学习可以参考：https://juejin.cn/post/7238769796351639612

1、目的

        DM的train和infer均需大量的时间和显存

2、方法

        1）autoencoder

                -> 将数据映射到感知上等效的、低维度的表示空间

                -> 只需训练一次，就可以被应用到多个DM训练过程中，也可以用于其他下游任务 (如single-image CLIP-guided synthesis)

                -> 压缩程度可选

                -> perceptual loss + patch-based adversarial objective

                -> encoder ，

                -> decoder D，

                -> ，，下采样。LDM-1对应着pixel-based DM，LDM-4和-8最优

                -> 为了避免潜空间的方差过高，可以采用两种正则化：KL-reg和VQ-reg

        2）在潜空间上训练DM，即Latent Diffusion Models (LDMs)

                -> 

                -> ：time-conditional UNet

        3）cross-attention

                -> 用于多模态条件输入

                -> : domain specific encoder，将y映射为中间表示

                -> 

                    为UNet应用后(flattened) intermediate representation

                     均为learnable映射矩阵

                -> ，同步优化和，其中可以根据domain-specific experts来参数化

3、应用

        convolutional fashion，~px

        1）unconditional

        2）conditional (text，bounding boxes，high-resolution synthesis，...)

                -> inpainting

                -> stochastic super-resolution

                -> semantic synthesis

                -> class-conditional

                -> text-to-image

                -> layout-to-image