[Diffusion Model 笔记]DDIM 笔记 数学推导 Denoising Diffusion Implicit Models

论文：Denoising Diffusion Implicit Models
链接：https://arxiv.org/abs/2010.02502

核心总结

• DDIM只是一个采样的算法，其训练和DDPM是一样的。

• DDIM在推导采样公式时，没有用DDPM中q(xt|xt-1)的条件；

• 同时把一个高斯噪声可以换成随机高斯噪声和预测的噪声的加权和，其中${\sigma }_k$是一个超参数，控制二者的权重

• 采样公式如下：从任意步数k推出步数s：
  $${\mathbf{x}}_s=\sqrt{{\bar{\alpha }}_s}{\hat{\mathbf{x}}}_{0\mid k}+\sqrt{1-{\overline{\alpha }}_s-{\sigma }_k^2}{\mathbf{ϵ}}_{\theta }+{\sigma }_k\mathbf{ϵ}$$
  其中：
  $${\hat{\mathbf{x}}}_{0\mid k}=\frac{1}{\sqrt{{\bar{\alpha }}_k}}({\mathbf{x}}_k-\sqrt{1-{\bar{\alpha }}_k}\tilde{\mathbf{z}})$$

符号定义

• xT: 符合高斯分布的噪声
• x0: 一个符合GT的图像，无噪声的，clean image
• T: 时间步
• xt: 第t步的图像，要从他推出t-1的图像。（一直推下去的话可以推出x0）
• ${\beta }_t$：noise rate，关于t的固定序列，含义是每一步t要加的噪声的比例。
• ${\alpha }_t$：signal rate，关于t的固定序列，${\alpha }_t$= 1-${\beta }_t$，含义是每一步t保留的上一步图像比例。通常会被设置为${\lim }_{t\to T}{\alpha }_t=0$。具体定义是：${\mathbf{x}}_t=\sqrt{{\alpha }_t}{\mathbf{x}}_{t-1}+\sqrt{1-{\alpha }_t}{\mathbf{ϵ}}_t$
• q：正向扩散：加噪声
• p：逆向扩散：去噪声
• ${\mathbf{ϵ}}_t$ 或${\mathbf{z}}_t$: xt相比xt-1加的噪声，服从标准正态分布。本文中z和epsilon混用
• $\mathbf{ϵ}$：不是t这一步的噪声，而是前面的噪声叠加后的结果，还是以服从标准正态分布
• z波浪：网络预测的噪声，希望他尽可能接近真实的z
• ${\hat{\mathbf{x}}}_{0\mid k}$：从k这一步估算的x0，定义为：${\hat{\mathbf{x}}}_{0\mid k}=\frac{1}{\sqrt{{\bar{\alpha }}_k}}({\mathbf{x}}_k-\sqrt{1-{\bar{\alpha }}_k}\tilde{\mathbf{z}})$

第一套，快速简单讲清采样方法

上次在DDPM中，我们是这样开头的：

略。我们考虑了t和t-1之间的关系，所以只能一步一步走。

现在我们这样想：

下式恒成立：
$$q({\mathbf{x}}_s|{\mathbf{x}}_0)=\sqrt{{\bar{\alpha }}_s}{\mathbf{x}}_0+\sqrt{1-{\bar{\alpha }}_s}\mathbf{ϵ}$$
而，其中的x0可以由任何一步k的xk来估出来：
$${\mathbf{x}}_0\approx {\hat{\mathbf{x}}}_{0\mid k}=\frac{1}{\sqrt{{\bar{\alpha }}_k}}({\mathbf{x}}_k-\sqrt{1-{\bar{\alpha }}_k}\tilde{\mathbf{z}})$$

带进来，同时他这个噪声$\mathbf{ϵ}$只是一个满足高斯分布的噪声就行，那我估出来的噪声 ${\mathbf{ϵ}}_{\theta }$也满足高斯分布呀。因此可以把这个噪声换成他和我们的加权和，只要保证他们的方差之和等于原来的方差，就还是原来的分布不变：(引入了一个控制权重的参数${\sigma }_k$)
$$\begin{array}{rl}& q({\mathbf{x}}_s|{\mathbf{x}}_k,{\mathbf{x}}_0)\\ & =\sqrt{{\bar{\alpha }}_s}{\hat{\mathbf{x}}}_{0\mid k}+\sqrt{1-{\bar{\alpha }}_s}\mathbf{ϵ}\\ & =\sqrt{{\bar{\alpha }}_s}{\hat{\mathbf{x}}}_{0\mid k}+\sqrt{1-{\overline{\alpha }}_s-{\sigma }_k^2}{\mathbf{ϵ}}_{\theta }+{\sigma }_k\mathbf{ϵ}\end{array}$$

这得到了DDIM的采样公式：
${\mathbf{x}}_s=\sqrt{{\bar{\alpha }}_s}{\hat{\mathbf{x}}}_{0\mid k}+\sqrt{1-{\overline{\alpha }}_s-{\sigma }_k^2}{\mathbf{ϵ}}_{\theta }+{\sigma }_k\mathbf{ϵ}$

也就是说，采样的时候不一定要一步一步，可以从任意k采样s。

继续分析，待定系数法求解

• 在DDPM，我们得出xt-1可以写成xt和x0和随机噪声的线性组合的形式；
• 因此，我们这里可以用待定系数法求解他们的系数，但是不使用q(xt|xt-1)这个条件。
• 结果就发现，xt 和 x0的系数还是可以求出来；只是求不出后面那个随机噪声的系数epsilon1了
• 当随机噪声的系数epsilon1等于DDPM时，DDIM就变为了DDPM

可以看到和我们之前直接写的是一样的。

图示理解

顺序是红黄绿蓝靛紫。

我们一步步看，等号后面这三项分别是，

• 红色：先走一大步，得到估计的x0。具体来说是在xt基础上减去估计的噪声
• 黄色：然后原路返回一点儿，也即再加上某比例的估计的噪声
• 绿色：然后加上一点点随机扰动
• 这样就完成了一步，下面继续循环即可。注意这一步不一定非得取当前步-1
• σt越大，则绿色和紫色的越长，黄色和深蓝色的越短
  

关于参数sigma

咱们控制predicted 噪声和随机噪声权重的参数σt（越大，随机噪声越多），在DDIM的论文中有结果图.

• 其中$\hat{\sigma }$就是DDPM,
• dim(τ)是steps of sampling trajectory
• 可以看到DDPM在步数少的时候会差很多
• 另外，比较1到1的σ值，emm，不太明确，大概sigma越小就越确定一些？吧。