DeepMind谷歌研究員力薦：擴散模型效率&生成質量提升竅門 _神經網絡

文章插圖

文章插圖
新晉圖像生成王者擴散模型，剛剛誕生沒多久。
有關它的理論和實踐都還在“野蠻生長” 。
來自英偉達StyleGAN的原班作者們站了出來，嘗試給出了一些設計擴散模型的竅門和準則，結果模型的質量和效率都有所改進，比如將現有ImageNet-64模型的FID分數從2.07提高到接近SOTA的1.55分。

文章插圖

他們這一工作成果迅速得到了業界大佬的認同。
DeepMind研究員就稱贊道：這篇論文簡直就是訓練擴散模型的人必看，妥妥的一座金礦。
我們從以下幾個方面來看StyleGAN作者們對擴散模型所做的三大貢獻：
用通用框架表示擴散模型
在這部分，作者的貢獻主要為從實踐的角度觀察模型背后的理論，重點關注出現在訓練和采樣階段的“有形”對象和算法，更好地了解了組件是如何連接在一起的，以及它們在整個系統的設計中可以使用的自由度（degrees of freedom）。
精華就是下面這張表：

文章插圖

該表給出了在他們的框架中復現三種模型的確定變體的公式。
（這三種方法（VP、VE、iDDPM+ DDIM）不僅被廣泛使用且實現了SOTA性能，還來自不同的理論基礎。）
這些公式讓組件之間原則上沒有隱含的依賴關系，在合理范圍內選擇任意單個公示都可以得出一個功能模型。
隨機采樣和確定性采樣的改進
作者的第二組貢獻涉及擴散模型合成圖像的采樣過程。
他們確定了最佳的時間離散化（time discretization），對采樣過程應用了更高階的Runge–Kutta方法，并在三個預訓練模型上評估不同的方法，分析了隨機性在采樣過程中的有用性。
結果在合成過程中所需的采樣步驟數量顯著減少，改進的采樣器可以用作幾個廣泛使用的擴散模型的直接替代品。
先看確定性采樣。用到的三個測試模型還是上面的那三個，來自不同的理論框架和模型族。
作者首先使用原始的采樣器（sampler）實現測量這些模型的基線結果，然后使用表1中的公式將這些采樣方法引入他們的統一框架，再進行改進。
接著根據在50000張生成圖像和所有可用真實圖像之間計算的FID分數來評估質量。

文章插圖

可以看到，原始的的確定性采樣器以藍色顯示，在他們的統一框架（橙色）中重新實現這些方法會產生類似或更好的結果。
作者解釋，這些差異是由于原始實現中的某些疏忽，加上作者對離散噪聲級的處理更仔細造成的。
確定性采樣好處雖然多，但與每一步都向圖像中注入新噪聲的隨機采樣相比，它輸出的圖像質量確實更差。
不過作者很好奇，假設ODE（常微分方程）和SDE（隨機微分方程）在理論上恢復相同的分布，隨機性的作用到底是什么？
在此他們提出了一種新的隨機采樣器，它將現有的高階ODE積分器與添加和去除噪聲的顯式“Langevin-like ‘churn’”相結合。
最終模型性能提升顯著，而且僅通過對采樣器的改進，就能夠讓ImageNet-64模型原來的FID分數從2.07提高到1.55，接近SOTA水平。