网站是什么时候开始的,怎样做知道网站,网站建设与网络推广的关系,网站flash引导页下载介绍
在Stable Diffusion中,所有的去噪和加噪过程并非在图像空间直接进行,而是通过VAE模块将图像编码到一个低维空间。
这个低维空间的“分辨率”低于原始图像空间,有利于快速地完成加噪和去噪过程。
最后再将编码空间中的噪声表示解码恢复为图像空间,完成去噪或加噪操作。 …介绍
在Stable Diffusion中,所有的去噪和加噪过程并非在图像空间直接进行,而是通过VAE模块将图像编码到一个低维空间。
这个低维空间的“分辨率”低于原始图像空间,有利于快速地完成加噪和去噪过程。
最后再将编码空间中的噪声表示解码恢复为图像空间,完成去噪或加噪操作。
采用这种编码-解码的流程,可以避免在高维图像空间直接操作带来的计算资源消耗,也更容易控制和操作噪声信号。
VAE模块承担了编码图像到隐空间然后操作的功能,是Stable Diffusion实现高效噪声增减的关键。
概念
变分自编码器Variational Autoencoder, VAE中的潜在空间latent space是一个核心概念对理解 VAE 的工作原理至关重要。
潜在空间指的是一个较低维度的表示空间在该空间中数据的高维特性被编码为更为简洁的形式。在 VAE 框架中潜在空间充当着数据的内部、抽象表示通常捕获了数据的基本特征和结构。 在这个示例中
“输入数据”是模型的输入比如一张图像。“编码器”将输入数据映射到潜在空间的分布参数通常是均值μ和方差σ。在“潜在空间参数”步骤从分布中“抽样”以产生潜在空间的样本点。“解码器”接收潜在空间中的样本点并尝试重构与原始输入类似的数据。“重构数据”是模型的最终输出是对输入数据的重构或生成版本。
潜在空间的重要性
特征提取在潜在空间中数据的关键特征被提取和压缩去除了冗余信息。数据生成由于其连续性潜在空间允许我们通过在其内进行抽样来生成新的数据实例这些数据实例在某种程度上类似于原始数据集中的样本。数据表示潜在空间提供了一种更加有效的方式来表示复杂数据为数据的进一步分析和处理提供了可能。
历史
变分自编码器Variational Autoencoder, VAE的历史和演变可以概述为以下几个关键阶段 初始发展2013年左右 VAE 的概念最初由 Kingma 和 Welling 在 2013 年的论文《Auto-Encoding Variational Bayes》中提出。https://arxiv.org/abs/1312.6114这一阶段的创新在于引入了一种新的生成模型框架结合了深度学习与贝叶斯推断方法。VAE 提供了一种有效的方式来学习和推断复杂数据的潜在表示。 理论和应用的发展2014-2016年 在这一时期研究者开始深入探讨 VAE 的理论基础包括其与传统自编码器的区别、潜在空间的属性以及优化技术。应用上VAE 被用于图像生成、语音处理和推荐系统等多个领域其能力在处理复杂数据分布时展现出显著优势。 结构和算法的创新2017-2019年 随着深度学习技术的发展VAE 的结构和算法得到了显著改进如引入卷积神经网络CNN来处理图像数据改善了模型的生成质量和效率。也出现了一些变体如条件 VAECVAE和序列变分自编码器SVAE这些变体扩展了 VAE 在特定场景下的应用。 集成和多模态学习2020年至今 VAE 开始与其他深度学习模型如 GAN、Transformer结合形成更加复杂和强大的混合模型。在多模态学习领域VAE 被用来融合不同类型的数据如图像和文本从而在生成任务中实现更丰富的表达能力。
架构
https://arxiv.org/abs/1312.6114
VAE 的核心是通过一个编码器将数据映射到潜在空间然后通过一个解码器重构数据。在潜在空间中数据的表示是基于随机分布的通常是高斯分布。这种表示允许模型在生成新数据时捕捉输入数据的关键特征。
关于 VAE 的数学公式表达它们主要围绕以下几个方面构建 编码器的输出Encoder Output 编码器将输入数据 ( x ) 映射到潜在空间中的一个分布通常这个分布被假设为高斯分布其参数是均值 ( μ ) ( \mu ) (μ) 和方差 ( σ 2 ) ( \sigma^2 ) (σ2)数学上表达为 q ϕ ( z ∣ x ) N ( z ; μ , σ 2 I ) q_\phi(z|x) \mathcal{N}(z; \mu, \sigma^2 I) qϕ(z∣x)N(z;μ,σ2I)其中 ( ϕ ) ( \phi ) (ϕ) 是编码器的参数。 重构误差Reconstruction Loss 这部分是通过解码器从潜在空间重构输入数据 ( x ) ( x ) (x) 时产生的误差。常用的度量方法是均方误差或交叉熵具体取决于数据的性质。 KL 散度Kullback-Leibler Divergence KL 散度用于衡量编码器输出的分布 ( q ϕ ( z ∣ x ) ) ( q_\phi(z|x) ) (qϕ(z∣x)) 与先验分布 ( p ( z ) ) ( p(z) ) (p(z))通常是标准高斯分布之间的差异。公式为 KL [ q ϕ ( z ∣ x ) ∣ ∣ p ( z ) ] \text{KL}[q_\phi(z|x) || p(z)] KL[qϕ(z∣x)∣∣p(z)]这项帮助正则化潜在空间防止过拟合。 变分下界Variational Lower Bound, ELBO VAE 的目标是最大化每个输入 ( x ) ( x ) (x) 的证据下界ELBO其表达为 ELBO E q ϕ ( z ∣ x ) [ log p θ ( x ∣ z ) ] − KL [ q ϕ ( z ∣ x ) ∣ ∣ p ( z ) ] \text{ELBO} \mathbb{E}_{q_\phi(z|x)}[\log p_\theta(x|z)] - \text{KL}[q_\phi(z|x) || p(z)] ELBOEqϕ(z∣x)[logpθ(x∣z)]−KL[qϕ(z∣x)∣∣p(z)]这里 E q ϕ ( z ∣ x ) [ log p θ ( x ∣ z ) ] \mathbb{E}_{q_\phi(z|x)}[\log p_\theta(x|z)] Eqϕ(z∣x)[logpθ(x∣z)] 是重构误差的期望 KL [ q ϕ ( z ∣ x ) ∣ ∣ p ( z ) ] \text{KL}[q_\phi(z|x) || p(z)] KL[qϕ(z∣x)∣∣p(z)] 是正则化项。
这些公式和原理共同构成了 VAE 的数学框架使其成为一种强大的生成模型。在训练过程中VAE 通过调整编码器和解码器的参数 ( ϕ ) ( \phi ) (ϕ) 和 ( θ ) ( \theta ) (θ) 来最大化 ELBO从而学习到有效的数据表示。 优化目标ELBO 是 VAE 训练过程中的优化目标模型通过最大化 ELBO 来训练。 平衡重构与正则化ELBO 结合了两个重要部分——重构误差数据的重构质量和 KL 散度潜在空间的正则化。这种结合使模型在学习有效的数据表示的同时避免了过拟合。 提升数据生成质量通过最大化 ELBOVAE 能够更好地学习潜在空间中数据的分布从而提高生成新数据样本的质量。
import torch
import torch.nn as nn
import torch.nn.functional as Fclass Encoder(nn.Module):# 编码器定义def __init__(self, input_dim, hidden_dim, latent_dim):super(Encoder, self).__init__()self.linear1 nn.Linear(input_dim, hidden_dim)self.mean nn.Linear(hidden_dim, latent_dim)self.logvar nn.Linear(hidden_dim, latent_dim)def forward(self, x):# 前向传播过程hidden F.relu(self.linear1(x))mean self.mean(hidden)logvar self.logvar(hidden)return mean, logvarclass Decoder(nn.Module):# 解码器定义def __init__(self, latent_dim, hidden_dim, output_dim):super(Decoder, self).__init__()self.linear1 nn.Linear(latent_dim, hidden_dim)self.linear2 nn.Linear(hidden_dim, output_dim)def forward(self, z):# 前向传播过程hidden F.relu(self.linear1(z))recon_x torch.sigmoid(self.linear2(hidden))return recon_xclass VAE(nn.Module):# VAE模型定义def __init__(self, input_dim, hidden_dim, latent_dim):super(VAE, self).__init__()self.encoder Encoder(input_dim, hidden_dim, latent_dim)self.decoder Decoder(latent_dim, hidden_dim, input_dim)def reparameterize(self, mean, logvar):# 重参数化技巧std torch.exp(0.5*logvar)eps torch.randn_like(std)return mean eps*stddef forward(self, x):# 定义模型的前向传播mean, logvar self.encoder(x)z self.reparameterize(mean, logvar)recon_x self.decoder(z)return recon_x, mean, logvardef loss_function(self, recon_x, x, mean, logvar):# 定义损失函数BCE F.binary_cross_entropy(recon_x, x, reductionsum)KLD -0.5 * torch.sum(1 logvar - mean.pow(2) - logvar.exp())return BCE KLD# 参数设定
input_dim 784 # 例如MNIST数据的维度
hidden_dim 400
latent_dim 20# 初始化模型、优化器等
model VAE(input_dim, hidden_dim, latent_dim)
optimizer torch.optim.Adam(model.parameters(), lr1e-3)# 训练过程
for epoch in range(num_epochs):model.train()train_loss 0for batch_idx, (data, _) in enumerate(dataloader):optimizer.zero_grad()recon_batch, mean, logvar model(data)loss model.loss_function(recon_batch, data, mean, logvar)loss.backward()train_loss loss.item()optimizer.step()print(fEpoch {epoch}, Loss: {train_loss / len(dataloader.dataset)})
使用 https://civitai.com/models/70248/color101-vae
from PIL import Image
import numpy as np
import torch
from diffusers import AutoencoderKL
import requests
from io import BytesIO# 设置设备并加载模型
device cuda
vae AutoencoderKL.from_pretrained(runwayml/stable-diffusion-v1-5, subfoldervae)
vae vae.to(device)# 定义编码函数
def encode_img_latents(imgs):if not isinstance(imgs, list):imgs [imgs]img_arr np.stack([np.array(img) for img in imgs], axis0)img_arr img_arr / 255.0img_arr torch.from_numpy(img_arr).float().permute(0, 3, 1, 2)img_arr 2 * (img_arr - 0.5)latent_dists vae.encode(img_arr.to(device))latent_samples latent_dists.latent_dist.sample()latent_samples * 0.18215return latent_samples# 定义解码函数
def decode_img_latents(latents):latents 1 / 0.18215 * latentswith torch.no_grad():imgs vae.decode(latents)imgs (imgs.sample / 2 0.5).clamp(0, 1)imgs imgs.detach().cpu().permute(0, 2, 3, 1).numpy()imgs (imgs * 255).round().astype(uint8)pil_images [Image.fromarray(image) for image in imgs]return pil_images# 拼接图像函数
def concat_image(im_list):img_number len(im_list)if img_number 0:return Nonedst Image.new(RGB, (img_number * im_list[0].width, im_list[0].height))for idx, im in enumerate(im_list, 0):dst.paste(im, (idx * im.width, 0))return dst# 测试用例
pths [, ] # 替换为实际图像 URL
for pth in pths:response requests.get(pth)img Image.open(BytesIO(response.content)).convert(RGB)img img.resize((256, 256))img_latents encode_img_latents(img)dec_img decode_img_latents(img_latents)[0]concat_image([img, dec_img]).show() # 显示拼接的图像
VAE 与扩散模型 原始图像通过VAE编码器编码到Latent空间在Latent空间添加噪声或去噪Stable Diffusion模型接受去噪的隐变量和文本提示作为输入经过扩散过程生成新图像
VAE模块将图像表示到隐空间编码,以方便Stable Diffusion控制噪声过程。 增强数据表示能力VAE 的潜在空间提供了一种紧凑的数据表示但可能不足以捕捉所有复杂的数据变化。通过扩散模型可以在这个空间中进一步加入细节和多样性。 改善生成质量扩散模型能够生成极其逼真的图像。将这种能力应用于 VAE 的潜在空间可以改善最终生成图像的质量。 降低计算复杂性在潜在空间上进行操作相比于直接在高维图像空间上处理可以降低计算复杂性和提高效率。 灵活性和创新这种组合使用的方法展示了在深度学习和生成模型领域的创新和灵活性通过不同技术的结合打开了新的可能性。
