潛在擴(kuò)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(lái)越多的注意力放在了通過(guò)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(huà)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(duì)于研發(fā)團(tuán)隊(duì)而言，盡管Midjourney功能強(qiáng)大且不需要本地安裝，但它對(duì)于硬件性能的要求較高，甚至同一個(gè)指令每次得到的結(jié)果都不盡相同。相對(duì)而言，Stable Diffusion因具備功能多、開(kāi)源、運(yùn)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(shí)，對(duì)GPU和算力的需求也越來(lái)越高，因此GPU服務(wù)器廠商開(kāi)始涌向該賽道，為這一領(lǐng)域提供更好的支持。

本文將重點(diǎn)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(shì)為大家展開(kāi)詳細(xì)介紹。

Stable Diffusion如何安裝

Stable Diffusion是一個(gè)非常有用的工具，可以幫助用戶快速、準(zhǔn)確地生成想要的場(chǎng)景及圖片。它的安裝也非常簡(jiǎn)單，只需要按照上述步驟進(jìn)行即可。如果您需要快速生成圖片及場(chǎng)景，Stable Diffusion是一個(gè)值得嘗試的工具。

一、環(huán)境準(zhǔn)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(guò)這個(gè)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(gè)30G硬盤不為過(guò)吧？現(xiàn)在硬盤容量應(yīng)該不是個(gè)問(wèn)題。

2、軟件方面

1）Git

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

下載最新版即可，對(duì)版本沒(méi)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(dòng)516.94，可使用最新版。

4）stable-diffusion-webui

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

核心部件當(dāng)然用最新版本~~但注意上面三個(gè)的版本的兼容性。

5）中文語(yǔ)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(kuò)展（可選）

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

下載整個(gè)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(shí)先下載第一個(gè)鏈接中的control_openpose.safetensors 或 第二個(gè)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(shí)也會(huì)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(wú)問(wèn)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(wèn)題。

注意安裝時(shí)勾選Add Python to PATH，這樣可以在安裝時(shí)自動(dòng)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(wú)問(wèn)題。

4）安裝stable-diffusion-webui

國(guó)內(nèi)需要用到代理和鏡像，請(qǐng)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(guó)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(kù)管理器pip

方便起見(jiàn)，在venvScripts下打開(kāi)cmd后執(zhí)行如下命令：

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

e) 安裝語(yǔ)言包

將文件chinese-all-0306.json 和 chinese-english-0306.json放到目錄localizations目錄中。運(yùn)行webui后進(jìn)行配置，操作方法見(jiàn)下。

f) 安裝擴(kuò)展（可選）

將sd-webui-controlnet解壓縮到extensions目錄中。將control_sd15_openpose.pth文件復(fù)制到/extensions/sd-webui-controlnet/models目錄中。不同的擴(kuò)展可能還需要安裝對(duì)應(yīng)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(kāi)webui.bat所提供的網(wǎng)址即可運(yùn)行。

其中提供了網(wǎng)址：http://127.0.0.1:7860。

打開(kāi)該網(wǎng)址后在Settings -> User interface -> Localization (requires restart)設(shè)置語(yǔ)言，在菜單中選擇chinese-all-0220（前提是已經(jīng)在目錄中放入了對(duì)應(yīng)語(yǔ)言包，見(jiàn)上），點(diǎn)擊Apply Settings確定，并且點(diǎn)擊Reload UI重啟界面后即可。

Stable Diffusion背后的原理

Latent Diffusion Models（潛在擴(kuò)散模型）的整體框架如下圖所示。首先需要訓(xùn)練一個(gè)自編碼模型，這樣就可以利用編碼器對(duì)圖片進(jìn)行壓縮，然后在潛在表示空間上進(jìn)行擴(kuò)散操作，最后再用解碼器恢復(fù)到原始像素空間。這種方法被稱為感知壓縮（Perceptual Compression）。個(gè)人認(rèn)為這種將高維特征壓縮到低維，然后在低維空間上進(jìn)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(jìn)行diffusion操作的主要過(guò)程和標(biāo)準(zhǔn)的擴(kuò)散模型沒(méi)有太大的區(qū)別，所使用的擴(kuò)散模型的具體實(shí)現(xiàn)為time-conditional UNet。但是，論文為擴(kuò)散操作引入了條件機(jī)制（Conditioning Mechanisms），通過(guò)cross-attention的方式來(lái)實(shí)現(xiàn)多模態(tài)訓(xùn)練，使得條件圖片生成任務(wù)也可以實(shí)現(xiàn)。

下面我們針對(duì)感知壓縮、擴(kuò)散模型、條件機(jī)制的具體細(xì)節(jié)進(jìn)行展開(kāi)。

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

感知壓縮本質(zhì)上是一個(gè)tradeoff。之前的許多擴(kuò)散模型沒(méi)有使用這種技術(shù)也可以進(jìn)行，但是原有的非感知壓縮的擴(kuò)散模型存在一個(gè)很大的問(wèn)題，即在像素空間上訓(xùn)練模型時(shí)，如果希望生成高分辨率的圖像，則訓(xùn)練空間也是高維的。感知壓縮通過(guò)使用自編碼模型，忽略高頻信息，只保留重要的基礎(chǔ)特征，從而大幅降低訓(xùn)練和采樣階段的計(jì)算復(fù)雜度，使文圖生成等任務(wù)能夠在消費(fèi)級(jí)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(yù)訓(xùn)練的自編碼模型，學(xué)習(xí)到一個(gè)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(shì)在于，只需要訓(xùn)練一個(gè)通用的自編碼模型，就可以用于不同的擴(kuò)散模型的訓(xùn)練，在不同的任務(wù)上使用。

因此，基于感知壓縮的擴(kuò)散模型的訓(xùn)練本質(zhì)上是一個(gè)兩階段訓(xùn)練的過(guò)程，第一階段需要訓(xùn)練一個(gè)自編碼器，第二階段才需要訓(xùn)練擴(kuò)散模型本身。在第一階段訓(xùn)練自編碼器時(shí)，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(yù)訓(xùn)練模型中，會(huì)看到KL和VQ兩種實(shí)現(xiàn)。在Stable Diffusion中主要采用AutoencoderKL這種實(shí)現(xiàn)。

二、潛在擴(kuò)散模型（Latent Diffusion Models）

首先簡(jiǎn)要介紹一下普通的擴(kuò)散模型（DM），擴(kuò)散模型可以解釋為一個(gè)時(shí)序去噪自編碼器（equally weighted sequence of denoising autoencoders）

，其目標(biāo)是根據(jù)輸入

去預(yù)測(cè)一個(gè)對(duì)應(yīng)去噪后的變體，或者說(shuō)預(yù)測(cè)噪音，其中

是輸入

的噪音版本。相應(yīng)的目標(biāo)函數(shù)可以寫(xiě)成如下形式：

。其中

從

中均勻采樣獲得。

而在潛在擴(kuò)散模型中，引入了預(yù)訓(xùn)練的感知壓縮模型，它包括一個(gè)編碼器

和一個(gè)解碼器

。這樣就可以利用在訓(xùn)練時(shí)就可以利用編碼器得到

，從而讓模型在潛在表示空間中學(xué)習(xí)，相應(yīng)的目標(biāo)函數(shù)可以寫(xiě)成如下形式：

三、條件機(jī)制

除了無(wú)條件圖片生成外，我們也可以進(jìn)行條件圖片生成，這主要是通過(guò)拓展得到一個(gè)條件時(shí)序去噪自編碼器（conditional denoising autoencoder）

來(lái)實(shí)現(xiàn)的，這樣一來(lái)我們就可通過(guò)

來(lái)控制圖片合成的過(guò)程。具體來(lái)說(shuō)，論文通過(guò)在UNet主干網(wǎng)絡(luò)上增加cross-attention機(jī)制來(lái)實(shí)現(xiàn)

。為了能夠從多個(gè)不同的模態(tài)預(yù)處理

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

，它用來(lái)將

映射為一個(gè)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(guò)一個(gè)cross-attention層映射將控制信息融入到UNet的中間層，cross-attention層的實(shí)現(xiàn)如下：

其中

是UNet的一個(gè)中間表征。相應(yīng)的目標(biāo)函數(shù)可以寫(xiě)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(jiǎn)稱LDM-f，其中LDM-1對(duì)應(yīng)基于像素的DMs)的效果。為了獲得可比較的測(cè)試結(jié)果，固定在一個(gè)NVIDIA A100上進(jìn)行了實(shí)驗(yàn)，并使用相同數(shù)量的步驟和參數(shù)訓(xùn)練模型。實(shí)驗(yàn)結(jié)果表明，LDM-{1,2}這樣的小下采樣因子訓(xùn)練緩慢，因?yàn)樗鼘⒋蟛糠指兄獕嚎s留給擴(kuò)散模型。而f值過(guò)大，則導(dǎo)致在相對(duì)較少的訓(xùn)練步驟后保真度停滯不前，原因在于第一階段壓縮過(guò)多，導(dǎo)致信息丟失，從而限制了可達(dá)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(shí)現(xiàn)了更低的FID得分，同時(shí)顯著提高了樣本吞吐量。對(duì)于像ImageNet這樣的復(fù)雜數(shù)據(jù)集，需要降低壓縮率以避免降低質(zhì)量?？傊?，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(shì)

一、優(yōu)點(diǎn)

Diffusion Model相比于GAN，明顯的優(yōu)點(diǎn)是避免了麻煩的對(duì)抗學(xué)習(xí)。此外，還有幾個(gè)不太明顯的好處：首先，Diffusion Model可以“完美”用latent去表示圖片，因?yàn)槲覀兛梢杂靡粋€(gè)ODE從latent變到圖片，同一個(gè)ODE反過(guò)來(lái)就可以從圖片變到latent。而GAN很難找到真實(shí)圖片對(duì)應(yīng)什么latent，所以可能會(huì)不太好修改非GAN生成的圖片。其次，Diffusion Model可以用來(lái)做“基于色塊的編輯”(SDEdit)，而GAN沒(méi)有這樣的性質(zhì)，所以效果會(huì)差很多。再次，由于Diffusion Model和score之間的聯(lián)系，它可以用來(lái)做inverse problem solver的learned prior，例如我有一個(gè)清晰圖片的生成模型，看到一個(gè)模糊圖片，可以用生成模型作為先驗(yàn)讓圖片更清晰。最后，Diffusion Model可以求model likelihood，而這個(gè)GAN就很難辦。Diffusion Model最近的流行一部分也可能是因?yàn)镚AN卷不太動(dòng)了。雖然嚴(yán)格意義上說(shuō)，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(guò)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(wú)法直接修改潛在空間的維度，這意味著無(wú)法像StyleGAN中使用AdaIN對(duì)圖像風(fēng)格進(jìn)行操作。其次，由于沒(méi)有判別器，如果監(jiān)督條件是“我想要網(wǎng)絡(luò)輸出的東西看起來(lái)像某個(gè)物體，但我不確定具體是什么”，就會(huì)比較困難。而GAN可以輕松地實(shí)現(xiàn)這一點(diǎn)，例如生成長(zhǎng)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(yīng)用于這一領(lǐng)域。

審核編輯黃宇