前言：
今天我们来学习一下Dalle2论文
上篇文章我们说latency diffusion 把图像和文本先压缩到隐空间再进行diffusion，大大提升了diffusion过程的效率，其实我们想想diffusion过程其实我们也完全没必要一直扩散到纯噪声再还原为图像，我们只需要扩散到适合我们生成图像的时候就可以。正所谓好钢用在刀刃上，效果好费时的扩散过程我们只要在关键位置使用就可以，即达到效果，又节省了时间。
那让我们来看看dalle2是怎么做的
整体结构：
整体结构如图，虚线上部为clip，下部红框隔开的为prior，decoder。中间红框为连接部分用了clip模型的item 隐向量和img隐向量作为了桥接。
结构理解：
我们回想一下VAE，看看这个结构是不是非常的熟悉，也是一个encoder，一个decoder。不同的是VAE中间是一个高斯分布Z，dalle2和Latent Diffusion用diffusion做了一个domain的转换。是不是结构理解一下子就简单起来了
具体过程
下面让我们看看dalle2模型的几个过程
1，prior 过程，
如图红框所示，dalle2在prior过程中用了diffusion过程，是从文本隐空间到图像隐空间的变化。（对比于diffusion从图像到噪声，以及latency diffusion 从 隐空间到噪声），dalle2利用diffsiion完成了最精华的domain变换过程。
当我们能对两个隐空间进行转换的时候，剩下的工作就比较简单了，分别训练两个encoder 和 decoder ，文本到图像的转换就完成了。这里还有个问题，那么在prior训练过程文本隐空间到图像隐空间对应关系从哪儿来，论文又很巧妙的想到了clip模型，模型里的文本隐空间到图像隐空间就是现成的样本对。于是把clip里的文本隐空间到图像隐空间放到中间做桥接，很简洁又很高效的dalle2整体架构就完成。
2，decoder过程，
刚刚我们说prior过程dalle2用了diffusion，那么decoder过程用了什么呢，答案是decoder阶段也用了diffusion，刚刚还说好钢用在刀刃，真是啪啪打脸。不过话又说回来你要要是钱多，整把刀都用好钢那也是正常。open ai 财大气粗，资源不是个事，所以都用了diffusion，再说写论文肯定也是把效果堆成最好才容易吸引目光。但是对我们来说可以根据自己的需求进行取舍，比如最后的decode阶段如果你只是个目标检测分类，就完全没必要用diffusion过程，用个分类器就能大大加速。
decoder过程中作者为了生成效果还做了大量的细化
1）在训练期间，以10％的概率随机将CLIP嵌入设置为零，以及以50％的概率随机丢弃文本标题。
2）启用无分类器引导。在训练过程中不使用分类器来指导生成模型的学习
3）为了生成高分辨率图像，训练了两个扩散上采样模型：一个将图像从64×64上采样到256×256分辨率，另一个将其进一步上采样到1024×1024分辨率。
4）为了提高上采样器的鲁棒性，在训练过程中我对调节图像进行了轻微的损坏。对于第一阶段的上采样，论文使用高斯模糊，对于第二阶段，论文使用更多样化的BSR降级。
5）为了减少训练计算量并提高数值稳定性，在目标大小的四分之一的随机图像上进行训练。
6）论文在模型中仅使用空间卷积（即无注意力层），并在推理时直接在目标分辨率上应用模型。因为是卷积因此论文说模型可以很容易泛化到更高的分辨率。
7）发现将上采样器条件化到标题上没有帮助，并使用无引导的无条件ADMNets。
几点疑问：
这里我们会有几点疑问
1， 文本隐空间到图像隐空间对应关系，不用clip行不行
当然是可以，既然刚刚我们说prior过程是完成domian转化，那么这里可以我们换成我们可以找到任何成对的domian
2，直接用两个NN网络代替encoder，decoder，然后端到端训练不是更省事
论文里其实回答了这个，论文提到这种显式生成中间特征的过程，在写实程度和相似程度保持一致的情况下，显著提升结果的多样性和创造力。在生活工作中我们也是这样，每个阶段或者部门完成自己的目标，整体结果才会更符合预期。如果大家都只有一个整体大目标，比如实现共产主义，而没有自己的具体目标，很容易就乱纷纷的，形成不了合力。
3，prior不用diffusion可不可以，答案是可以，作者在prior里就尝试了不同的做法，比如自回归和diffusion的对比，当然实验结果是diffusion的效果最好。
一些链接：
论文链接 https://cdn.openai.com/papers/dall-e-2.pdfgit地址 https://github.com/lucidrains/DALLE2-pytorch
相关阅读
您阅读本篇文章共花了：
发表评论