潛在擴散模型 | AIGC|Diffusion Model

圖片感知壓縮 | GAN |Stable Diffusion

隨著生成型AI技術(shù)的能力提升，越來越多的注意力放在了通過AI模型提升研發(fā)效率上。業(yè)內(nèi)比較火的AI模型有很多，比如畫圖神器Midjourney、用途多樣的Stable Diffusion，以及OpenAI此前剛剛迭代的DALL-E 2。

對于研發(fā)團隊而言，盡管Midjourney功能強大且不需要本地安裝，但它對于硬件性能的要求較高，甚至同一個指令每次得到的結(jié)果都不盡相同。相對而言，Stable Diffusion因具備功能多、開源、運行速度快，且能耗低內(nèi)存占用小成為更理想的選擇。

AIGC和ChatGPT4技術(shù)的爆燃和狂飆，讓文字生成、音頻生成、圖像生成、視頻生成、策略生成、GAMEAI、虛擬人等生成領(lǐng)域得到了極大的提升。不僅可以提高創(chuàng)作質(zhì)量，還能降低成本，增加效率。同時，對GPU和算力的需求也越來越高，因此GPU服務器廠商開始涌向該賽道，為這一領(lǐng)域提供更好的支持。

本文將重點從Stable Diffusion如何安裝、Stable Diffusion工作原理及Diffusion model與GAN相比的優(yōu)劣勢為大家展開詳細介紹。

Stable Diffusion如何安裝

Stable Diffusion是一個非常有用的工具，可以幫助用戶快速、準確地生成想要的場景及圖片。它的安裝也非常簡單，只需要按照上述步驟進行即可。如果您需要快速生成圖片及場景，Stable Diffusion是一個值得嘗試的工具。

一、環(huán)境準備

1、硬件方面

1）顯存

4G起步，4G顯存支持生成512*512大小圖片，超過這個大小將卡爆失敗。這里小編建議使用RTX 3090。

2）硬盤

10G起步，模型基本都在5G以上，有個30G硬盤不為過吧？現(xiàn)在硬盤容量應該不是個問題。

2、軟件方面

1）Git

https://git-scm.com/download/win

下載最新版即可，對版本沒有要求。

2）Python

https://www.python.org/downloads/

3）Nvidia CUDA

https://developer.download.nvidia.cn/compute/cuda/11.7.1/local_installers/cuda_11.7.1_516.94_windows.exe

版本11.7.1，搭配Nvidia驅(qū)動516.94，可使用最新版。

4）stable-diffusion-webui

https://github.com/AUTOMATIC1111/stable-diffusion-webui

核心部件當然用最新版本~~但注意上面三個的版本的兼容性。

5）中文語言包

https://github.com/VinsonLaro/stable-diffusion-webui-chinese

下載chinese-all-0306.json 和 chinese-english-0306.json文件

6）擴展（可選）

https://github.com/Mikubill/sd-webui-controlnet

下載整個sd-webui-controlnet壓縮包

https://huggingface.co/Hetaneko/Controlnet-models/tree/main/controlnet_safetensors

https://huggingface.co/lllyasviel/ControlNet/tree/main/models

https://huggingface.co/TencentARC/T2I-Adapter/tree/main

試用時先下載第一個鏈接中的control_openpose.safetensors 或 第二個鏈接中的control_sd15_openpose.pth文件

7）模型

https://huggingface.co/models

https://civitai.com

可以網(wǎng)上去找推薦的一些模型，一般后綴名為ckpt、pt、pth、safetensors ，有時也會附帶VAE（.vae.pt）或配置文件（.yaml）。

二、安裝流程

1）安裝Git

就正常安裝，無問題。

2）安裝Python

建議安裝在非program files、非C盤目錄，以防出現(xiàn)目錄權(quán)限問題。

注意安裝時勾選Add Python to PATH，這樣可以在安裝時自動加入windows環(huán)境變量PATH所需的Python路徑。

3）安裝Nvidia CUDA

正常安裝，無問題。

4）安裝stable-diffusion-webui

國內(nèi)需要用到代理和鏡像，請按照下面的步驟操作：

a) 編輯根目錄下launch.py文件

將https://github.com替換為https://ghproxy.com/https://github.com，即使用Ghproxy代理，加速國內(nèi)Git。

b) 執(zhí)行根目錄下webui.bat文件

根目錄下將生成tmp和venv目錄。

c) 編輯venv目錄下pyvenv.cfg文件

將include-system-site-packages = false改為include-system-site-packages = true。

d) 配置python庫管理器pip

方便起見，在venvScripts下打開cmd后執(zhí)行如下命令：

xformer會安裝到venvLibsite-packages中，安裝失敗可以用pip install -U xformers命試試。

e) 安裝語言包

將文件chinese-all-0306.json 和 chinese-english-0306.json放到目錄localizations目錄中。運行webui后進行配置，操作方法見下。

f) 安裝擴展（可選）

將sd-webui-controlnet解壓縮到extensions目錄中。將control_sd15_openpose.pth文件復制到/extensions/sd-webui-controlnet/models目錄中。不同的擴展可能還需要安裝對應的系統(tǒng)，比如controlnet要正常使用則還需要安裝ffmpeg等。

g) 安裝模型

下載的各種模型放在modelsStable-diffusion目錄中即可。

h) 再次執(zhí)行根目錄下webui.bat文件

用瀏覽器打開webui.bat所提供的網(wǎng)址即可運行。

其中提供了網(wǎng)址：http://127.0.0.1:7860。

打開該網(wǎng)址后在Settings -> User interface -> Localization (requires restart)設置語言，在菜單中選擇chinese-all-0220（前提是已經(jīng)在目錄中放入了對應語言包，見上），點擊Apply Settings確定，并且點擊Reload UI重啟界面后即可。

Stable Diffusion背后的原理

Latent Diffusion Models（潛在擴散模型）的整體框架如下圖所示。首先需要訓練一個自編碼模型，這樣就可以利用編碼器對圖片進行壓縮，然后在潛在表示空間上進行擴散操作，最后再用解碼器恢復到原始像素空間。這種方法被稱為感知壓縮（Perceptual Compression）。個人認為這種將高維特征壓縮到低維，然后在低維空間上進行操作的方法具有普適性，可以很容易地推廣到文本、音頻、視頻等領(lǐng)域。

在潛在表示空間上進行diffusion操作的主要過程和標準的擴散模型沒有太大的區(qū)別，所使用的擴散模型的具體實現(xiàn)為time-conditional UNet。但是，論文為擴散操作引入了條件機制（Conditioning Mechanisms），通過cross-attention的方式來實現(xiàn)多模態(tài)訓練，使得條件圖片生成任務也可以實現(xiàn)。

下面我們針對感知壓縮、擴散模型、條件機制的具體細節(jié)進行展開。

一、圖片感知壓縮（Perceptual Image Compression）

感知壓縮本質(zhì)上是一個tradeoff。之前的許多擴散模型沒有使用這種技術(shù)也可以進行，但是原有的非感知壓縮的擴散模型存在一個很大的問題，即在像素空間上訓練模型時，如果希望生成高分辨率的圖像，則訓練空間也是高維的。感知壓縮通過使用自編碼模型，忽略高頻信息，只保留重要的基礎特征，從而大幅降低訓練和采樣階段的計算復雜度，使文圖生成等任務能夠在消費級GPU上在10秒內(nèi)生成圖片，降低了落地門檻。

感知壓縮利用預訓練的自編碼模型，學習到一個在感知上等同于圖像空間的潛在表示空間。這種方法的優(yōu)勢在于，只需要訓練一個通用的自編碼模型，就可以用于不同的擴散模型的訓練，在不同的任務上使用。

因此，基于感知壓縮的擴散模型的訓練本質(zhì)上是一個兩階段訓練的過程，第一階段需要訓練一個自編碼器，第二階段才需要訓練擴散模型本身。在第一階段訓練自編碼器時，為了避免潛在表示空間出現(xiàn)高度的異化，作者使用了兩種正則化方法，一種是KL-reg，另一種是VQ-reg，因此在官方發(fā)布的一階段預訓練模型中，會看到KL和VQ兩種實現(xiàn)。在Stable Diffusion中主要采用AutoencoderKL這種實現(xiàn)。

二、潛在擴散模型（Latent Diffusion Models）

首先簡要介紹一下普通的擴散模型（DM），擴散模型可以解釋為一個時序去噪自編碼器（equally weighted sequence of denoising autoencoders）

，其目標是根據(jù)輸入

去預測一個對應去噪后的變體，或者說預測噪音，其中

是輸入

的噪音版本。相應的目標函數(shù)可以寫成如下形式：

。其中

從

中均勻采樣獲得。

而在潛在擴散模型中，引入了預訓練的感知壓縮模型，它包括一個編碼器

和一個解碼器

。這樣就可以利用在訓練時就可以利用編碼器得到

，從而讓模型在潛在表示空間中學習，相應的目標函數(shù)可以寫成如下形式：

三、條件機制

除了無條件圖片生成外，我們也可以進行條件圖片生成，這主要是通過拓展得到一個條件時序去噪自編碼器（conditional denoising autoencoder）

來實現(xiàn)的，這樣一來我們就可通過

來控制圖片合成的過程。具體來說，論文通過在UNet主干網(wǎng)絡上增加cross-attention機制來實現(xiàn)

。為了能夠從多個不同的模態(tài)預處理

，論文引入了一個領(lǐng)域?qū)Ｓ镁幋a器（domain specific encoder）

，它用來將

映射為一個中間表示

，這樣我們就可以很方便的引入各種形態(tài)的條件（文本、類別、layout等等）。最終模型就可以通過一個cross-attention層映射將控制信息融入到UNet的中間層，cross-attention層的實現(xiàn)如下：

其中

是UNet的一個中間表征。相應的目標函數(shù)可以寫成如下形式：

四、效率與效果的權(quán)衡

分析不同下采樣因子f∈{1,2,4,8,16,32}(簡稱LDM-f，其中LDM-1對應基于像素的DMs)的效果。為了獲得可比較的測試結(jié)果，固定在一個NVIDIA A100上進行了實驗，并使用相同數(shù)量的步驟和參數(shù)訓練模型。實驗結(jié)果表明，LDM-{1,2}這樣的小下采樣因子訓練緩慢，因為它將大部分感知壓縮留給擴散模型。而f值過大，則導致在相對較少的訓練步驟后保真度停滯不前，原因在于第一階段壓縮過多，導致信息丟失，從而限制了可達到的質(zhì)量。LDM-{4-16}在效率和感知結(jié)果之間取得了較好的平衡。與基于像素的LDM-1相比，LDM-{4-8}實現(xiàn)了更低的FID得分，同時顯著提高了樣本吞吐量。對于像ImageNet這樣的復雜數(shù)據(jù)集，需要降低壓縮率以避免降低質(zhì)量。總之，LDM-4和-8提供了較高質(zhì)量的合成結(jié)果。

Diffusion model與GAN相比的優(yōu)劣勢

一、優(yōu)點

Diffusion Model相比于GAN，明顯的優(yōu)點是避免了麻煩的對抗學習。此外，還有幾個不太明顯的好處：首先，Diffusion Model可以“完美”用latent去表示圖片，因為我們可以用一個ODE從latent變到圖片，同一個ODE反過來就可以從圖片變到latent。而GAN很難找到真實圖片對應什么latent，所以可能會不太好修改非GAN生成的圖片。其次，Diffusion Model可以用來做“基于色塊的編輯”(SDEdit)，而GAN沒有這樣的性質(zhì)，所以效果會差很多。再次，由于Diffusion Model和score之間的聯(lián)系，它可以用來做inverse problem solver的learned prior，例如我有一個清晰圖片的生成模型，看到一個模糊圖片，可以用生成模型作為先驗讓圖片更清晰。最后，Diffusion Model可以求model likelihood，而這個GAN就很難辦。Diffusion Model最近的流行一部分也可能是因為GAN卷不太動了。雖然嚴格意義上說，Diffusion Model最早出自Jascha Sohl-Dickstein在ICML 2015就發(fā)表的文章，和GAN的NeurIPS 2014也差不了多少；不過DCGAN/WGAN這種讓GAN沃克的工作在2015-17就出了，而Diffusion Model在大家眼中做沃克基本上在NeurIPS 2020，所以最近看上去更火也正常。

二、不足之處

Diffusion model相比于GAN也存在一些缺陷。首先，無法直接修改潛在空間的維度，這意味著無法像StyleGAN中使用AdaIN對圖像風格進行操作。其次，由于沒有判別器，如果監(jiān)督條件是“我想要網(wǎng)絡輸出的東西看起來像某個物體，但我不確定具體是什么”，就會比較困難。而GAN可以輕松地實現(xiàn)這一點，例如生成長頸鹿的圖像。此外，由于需要迭代，生成速度比較慢，但在單純的圖像生成方面已經(jīng)得到了解決。目前在條件圖像生成方面的研究還不夠充分，但可以嘗試將Diffusion model應用于這一領(lǐng)域。

審核編輯黃宇