生成式 AI 背后的共同框架：Stable Diffusion、DALL-E、Imagen

前言

如果你对这篇文章感兴趣，可以点击「【访客必读 - 指引页】一文囊括主页内所有高质量博客」，查看完整博客分类与对应链接。

框架

这些生成式 AI 的整体功能为：输入「文字」，返回「图像」，即 Text-to-image Generator：

生成器的内部框架如下所示：

第一部分：Text Encoder，输出 Text，返回对应的 Embedding（向量）；第二部分：Generation Model，输入为 Text 的 Embedding 与一个随机生成的 Embedding（用于后续的 Diffusion 过程），返回中间产物（可以是图片的压缩版本，也可以是 Latent Representation）；第三部分：Decoder，输入为图片的压缩版本，返回最终的图片。

三个模块通常是分开训练，再组合起来，得到 Text-to-image Generator。

上述框架为通用框架，即均包含上述三个模块，例如 Stable Diffusion：

DALL-E series：

Imagen：

文字 Encoder

GPT、Bert 均可当作文字 Encoder，其对最终结果的影响非常大。如下图所示（来自 Imagen 论文实验图）：

图（a）：曲线越接近框内右下角越好，Encoder 越大效果越好，即 Encoder 见过的数据量越多；图（b）：Generation Model 的大小对结果影响不大。

FID (Fréchet Inception Distance)

上述结果中的 FID 用于衡量生成图片的好坏，即利用一个 CNN 网络 (Inception Network)，得到一系列原始图像 (x) 与其对应生成图像 (g) 的特征表示，并假设该特征表示服从高斯分布，因此可以得到原始图像的高斯分布 N ( μ x , Σ x ) \mathcal{N}(\mu_x,\Sigma_x) N(μx,Σx) 与生成图像的高斯分布 N ( μ g , Σ g ) \mathcal{N}(\mu_g,\Sigma_g) N(μg,Σg)，并将两个分布之间的 Fréchet distance 作为最终的 FID 结果（越小越好），即：
FID ( x , g ) = ∥ μ x − μ g ∥ 2 2 + Tr ⁡ ( Σ x + Σ g − 2 ( Σ x Σ g ) 1 2 ) . \text{FID}(x,g)=\|\mu_x-\mu_g\|_2^2 + \operatorname{Tr}\left(\Sigma_x+\Sigma_g-2\left(\Sigma_x \Sigma_g\right)^{\frac{1}{2}}\right). FID(x,g)=∥μx−μg∥22+Tr(Σx+Σg−2(ΣxΣg)21).

上述的 FID-10K 表示采样 10K 张图片后，计算 FID，因此 FID 的计算需要大量图片。

CLIP (Contrastive Language-Image Pre-Training)

CLIP 是一个使用了 400 million image-text paris 训练得到的模型，该模型可以用于给 (Text, Generated Image) 打分，即将 Text, Image 分别丢进 Text Encoder 和 Image Encoder 中，其产生的 Embedding 越相近，CLIP Score 越高。

Decoder

Generation Model 的训练需要 (Text, Image) 成对的数据，但 Decoder 的训练不需要文字资料，因此可供其训练的数据是更多的。

如果 Decoder 的输入是图片的压缩版本，即小图（例如 Imagen），则其训练过程为：将任意一张图片降采样得到一张小图，随后使用（小图，原图）的 pair 进行训练，如下所示：

如果 Decoder 的输入 Latent Representation（例如 Stable Diffusion 与 DALL-E），则训练过程为：训练一个 Auto-encoder，并将其中的 Decoder 作为框架中的模块。

Auto-encoder 的训练过程也非常直接，其 Encoder 负责得到图片的 Latent Representation，Decoder 负责根据 Latent Representation 生成对应图片，训练目标是原始图片与生成的图片越接近越好。

通常来说原图尺寸为 (H, W, 3)，Latent Representation 的大小为 (h, w, c)，其中 h 与 w 分别小于 H 和 W。

Generation Model

在 Diffusion Model 中，我们不断地在图片上加噪音，得到一张随机图后，再逐步地去噪，最终训练出去噪的模型，如下所示：

而在 Generation Model 中，噪声不是加在图片上，而是加在中间产物上，即 Decoder 的输入 Latent Representation 上，如下所示：

随后训练一个 Noise Predictor，输入为「第 x 步 + 第 x 步对应的加噪结果 + Text Embedding」，输出为第 x 步所加的噪声。

最后在生成图片时，输入为「Text Embedding + 随机高斯噪声」，每次识别出具体的噪声，再一步一步执行去噪，即可得到最终的 Latent Representation，再输入至 Decoder 即可。

此处需要注意，去噪的过程是「随机高斯噪音」逐步变成「最终 Latent Representation」的过程，该过程中的每一步的 Embedding，丢进 Decoder 均可得到图片，对应于图片生成时，图片逐步变清晰的过程。

参考资料

Hung-yi Lee - 生成式 AI Stable Diffusion: High-Resolution Image Synthesis with Latent Diffusion Models DALL-E series: Zero-Shot Text-to-Image Generation DALL-E series: Hierarchical Text-Conditional Image Generation with CLIP Latents Imagen: website Imagen: Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding