Stable diffusion生图原理

简介

  Stable diffusion 是一种基于扩散技术的深度学习模型，于2022年发布，是Stability AI公司推出的首要产品，它主要用于生成以文本描述为条件的详细图像，同时也可以进行补绘、外绘、重绘等任务，但原理都和文生图原理相似。

  Stable Diffusion是一种隐扩散模型（在扩散模型基础上进行了优化，后面会介绍）。

主要过程（以文生图为例）

  Stable Diffusion属于深度学习模型里的一个类别，称为diffusion models（扩散模型）。这类模型属于生成式模型，也就是说它们用于生成新的数据，而生成的这部分新数据类似于它们训练时的数据。对于SD来说，这类新数据便是图片，为什么叫扩散模型？这是因为它的数学公式看起来非常像物理上的扩散现象。

  假设我们训练了一个diffusion model，训练时只给了2类图片：猫与狗。如下图所示，左边便是送入训练的猫与狗的图片。

接下来要经过前向扩散和反向扩散两个过程，最终会生成一张我们想要的图片。

  前向扩散（forward diffusion）

前向扩散的过程是给训练图片添加噪点的过程，并逐渐将图片转为一个反常的噪点图。也就是会将任何猫或狗的图片转为一张噪点图，并最终无法辨认噪点图对应的初始图片是猫还是狗（可以调节噪点添加的多少），这个过程就像是滴入了一滴墨水到一杯水里，墨水在水里扩散，在几分钟后，墨水会随机分散并融入水中。且无法判断它最初是从水杯的中心滴入，还是从边缘滴入，所以叫做扩散模型。

前向扩散最后生成的随机噪点图如下：

  反向扩散（reverse diffusion）

在前向扩散之后是反向扩散过程，反向扩散过程最理想的效果是：

输入一张噪点图（毫无意义的图），反向扩散可以将这张噪点图恢复为一张猫或狗的图片。这就是反向扩散的主要目标。

    从技术角度来说，每个扩散过程分为2部：

漂移或定向运动（例如，所举的例子来说，噪点图要么偏向狗的方向，要么偏向于猫的方向）

随机移动

      反向扩散会朝着猫或狗的图片方向进行漂移，最后生成一张猫或狗的图片。

技术原理

具体过程已经了解了，那么怎么在技术层面实现这些过程，训练出这样一个模型呢？

  模型训练过程

    从反向扩散的角度来说，我们需要知道有多少“噪点”加入到了某张图片里，然后将这些噪点去除，便可以得到我们想要的图片。因此我们首先需要训练一个神经网络来预测添加的噪点有多少。这个模型在SD里称为噪点预测器（noise predicator）。

    训练噪点预测模型流程：

Step1：选择一张训练图（例如一张猫的图片）

Step2：生成随机的噪点图

Step3：给这张图继续增加多轮噪点

Step4：训练noise predictor，预测加入了多少噪点。通过神经网络训练权重，并展示其正确答案

      经过训练，便可得到一个noise predictor，它可以预测一张噪点图中，加入到图片的噪点信息。

    现在已经有了noise predictor（噪点预测器），应该如何使用呢？

    通过反向扩散过程生成图片

      我们首先生成一张完全随机的图片，并让noise predictor告诉我们噪点是什么。然后从原图中移除噪点。并重复此过程多次，最终遍得到一张猫或狗的图片，反向扩散通过逐步从图像中减去预测出的噪声来生成最终的图片。

    所以，通过前向扩散和反向扩散就可以生成一张猫和狗的图片，但现在距离我们所说的文生图还有一些差距，因为大家也注意到了，反向扩散去除噪点的过程是基于我们之前noise predictor 噪点预测器的训练数据的，所以只会生成猫或者狗的图片，那么如何生成符合我们输入文本的图像呢？这个篇幅比较多，后面会详细介绍，现在先介绍一下另一个重要的前置知识。

  重要的名词解释

采样

反向扩散中去除噪声过程被称为采样，在每一步都会生成一个新的样本图像。采样所用的方法称为采样器或采样方法。

下面是一个正在进行的采样过程。采样器逐渐产生越来越清晰的图像（经过多轮采样，噪声逐渐减少）

   通过前面的过程，我们可以看出，生成一张图片的过程包括前向扩散生成一张完全随机的噪点图，然后在反向扩散的过程中，预测噪声并去除，多轮采样（降噪）后生成最终的图片。。但实际上，生成一张随机的噪声图，然后通过反向扩散逐步预测并去除噪声图中的噪点，这个计算过程非常缓慢，基本上无法在单个GPU上处理，所以stable diffusion选择了先将图像降维，把图片压缩到一个“潜空间”（latent space）中，而不是在高维的图片空间里工作，因此，stable diffusion是一个潜扩散模型（latent diffusion model），潜空间比图片空间小了48倍，所以它可以节省大量计算，继而运行速度更快。

  在此基础上，我们就可以把之前介绍的前向扩散和反向扩散过程用SD采用的潜扩散原理来更准确的描述了。

  SD的潜扩散原理

    将图片压缩到潜空间

使用的技术是variational autoencoder（变分自动编码器），即VAE。

VAE神经网络包含2部分：Encoder与Decoder，Encoder将一张图片压缩到“潜空间”里的一个低维空间表示。Decoder从“潜空间”里的表示恢复为一张图片。

前面提到的前向与反向扩散都是在潜空间里完成。

所以在训练时，不再是生成一张噪点图，而是在潜空间里生成一个随机张量（tensor）。并且在给图片每一步增加噪点时，也不再是给图片增加噪点，而是给图片在潜空间里的张量增加潜噪点，潜空间更小，执行速度更快。

      所以就诞生了一个问题

    为什么潜空间是合理的？

      为什么VAE可以压缩一张图片到非常小的一个潜空间而不损失信息呢？

这是因为：自然图片并非是随机的，它们有很高的规律性。例如，一张脸上鼻子、脸颊和嘴巴之间有特定的空间关系；一只狗有4只腿并且有特定的形状。

换句话说，高维的图片是人为的。自然图像可以轻松地压缩到较小的潜空间中，而不会丢失任何信息。

    结合上面的前置知识介绍，SD模型工作流程可以概括如下：

Step1：生成随机的潜空间矩阵

Step2：Noise predictor预测潜矩阵的噪点

Step3：将预测的噪点从潜矩阵中去除

Step4：重复步骤2与3，直到特定的采样步数

Step5：VAE的decoder将潜矩阵转为最终图片

    添加文本控制

      到目前为止，我们还没介绍文本是如何影响图片生成的。如果没有文本prompt的影响，SD模型也不会是一个text-to-image模型。我们可以得到一张猫或狗的图片，但是没有方式来控制它。

这部分就是“条件”（conditioning）要做的事情。“条件”的目的便是引导noise predictor，让其知道：在抽取预测的噪点后，我们需要的是什么。

下面展示的是：文本提示（text prompt）如何处理并输入到noise predictor的过程：

Step1：首先，Tokenizer（分词器）将每个输入的单词转为一个数，称为token。

Step2：每个token然后转为一个768维的向量，称为词嵌入（embedding）。

Step3：词嵌入然后由Text Transformer处理，并可以被Noise predictor进行消费。

Step4：Noise predictor便可以通过文本提示（text prompt）转化成的词嵌入来预测添加的噪声，然后将其去除。

Step5：通过多轮采样（去噪）便可以得到文本提示（text prompt）预期的图片。

示例

  下面结合几个例子具体介绍一下SD工作的流程：

  文生图

    文生图：

即给SD模型输入一组文本提示词，它可以返回一张文本提示词对应的图片。

    具体过程如下

Step 1. Stable Diffusion在潜空间里生成一个随机张量。我们通过设置随机种子seed来控制这个张量的生成。如果我们设置这个随机种子为一个特定的值，则会得到相同的随机张量。这就是我们在潜空间里的图片。但是当前还全是噪点。

Step 2. Noise predictor 将潜噪点图以及文本提示词作为输入，并预测噪点，此噪点同样也在潜空间内

Step 3. 从潜图片中抽取潜噪点，并生成了新的潜图片。

        Step 2 与 Step 3 重复特定采样次数，例如20次。

Step 4. 最后，VAE的decoder将潜图片转回像素图片空间，这便是我们通过SD模型最终得到的图片。

现在再看这张图，就可以很容易理解了：

  图生图

    图生图：

即输入是一张输入图片以及一组文本提示词。生成的图片会由输入图片以及文本提示词两者共同调节。例如，使用下面的简笔画，以及提示词“带茎、水滴和戏剧性照明的完美绿色苹果照片”作为输入，图生图可以将其转换成专业绘画。

    具体流程如下：

Step 1. 输入图片编码到潜空间

Step 2. 加入噪点到潜图片。Denoising strength控制加入多少噪点。如果为0，则不会加入噪点。如果为1，则会加入最多的噪点，这样潜图片则转为一张完全随机的张量。

Step 3. Noise predictor U-Net使用潜噪点图以及文本提示词作为输入，并预测潜空间内的噪点

Step 4. 从潜图片中剔除潜噪点，并生成新的潜图片

Step 3 与 4 重复多次，直到特定采样步数，例如20次。

Step 5. 最后，VAE的解码器将潜图片转回像素空间，便得到了最终生成的图片。

图生图的原理，简单来说就是设置一个初始的、带噪点的潜图片，作为输入图片，然后经过多轮采样（去除噪点），最终得到预期的图片，如果denoising strength设置为1，则等同于文本生成图了，因为初始的潜图片是完全随机的噪点。

总结