从零开始的stable diffusion

原创
2023/10/13 16:20
阅读数 50



stable diffusion真的是横空出世,开启了AIGC的元年。不知你是否有和我一样的困惑,这AI工具好像并不是那么听话?


前言


我们该如何才能用好stable diffusion这个工具呢?AI究竟在stable diffusion中承担了什么样的角色?如何能尽可能快、成本低地得到我们期望的结果?


源于这一系列的疑问,我开始了漫长的论文解读。High-Resolution Image Synthesis with Latent Diffusion Models(地址:https://arxiv.org/abs/2112.10752?spm=ata.21736010.0.0.7d0b28addsl7xQ&file=2112.10752)

当然这论文看的云里雾里的,加篇读了How does Stable Diffusion work?(地址:https://stable-diffusion-art.com/how-stable-diffusion-work/?spm=ata.21736010.0.0.7d0b28addsl7xQ)


先简要概括下,stable diffusion的努力基本是为了2个目的:

  1. 低成本、高效验证。设计了Latent Space

  2. Conditioning Mechanisms。条件控制,如果不能输出我们想要的图片,那这就像Monkey Coding。耗费无限的时间与资源。


这是整个内容里最重要最核心的两个部分。


图片生成的几种方式


随着深度神经网络的发展,生成模型已经有了巨大的发展,主流的有以下几种:

  1. 自回归模型(AutoRegressive model):按照像素点生成图像,导致计算成本高。实验效果还不错

  2. 变分自编码器(Variational Autoencoder):Image to Latent, Latent to Image,VAE存在生成图像模糊或者细节问题

  3. 基于流的方法(Glow)

  4. 生成对抗网络(Generative adversarial network):利用生成器(G)与判别器(D)进行博弈,不断让生成的图像与真实的图像在分布上越来越接近。


其中AR与GAN的生成都是在pixel space进行模型训练与推理。


  模型是如何生成图片的?


以一只猫作为案例。当我们想画一只猫的时候,也都是从一个白板开始,框架、细节不断完善。


对于AI来说,一个纯是noise的image就是一个理想的白板,类似下图展示的这样。


从图中的流程,我们可以看到推理的过程如下:

  1. 生成一个随机的noise image图片。这个noise取决于Random这个参数。相同的Random生成的noise image是相同的。

  2. 使用noise predictor预测这个图里加了多少noise,生成一个predicted noise。

  3. 使用原始的noise减去predicted noise。

  4. 不断循环2、3,直到我们的执行steps。

最终我们会得到一只猫。


在这个过程中,我们会以下疑问:

  1. 如何得到一个noise predictor?

  2. 怎么控制我们最终能得到一只猫?而不是一只狗或者其他的东西?


在回答这些疑问之前,我先贴一部分公式:

我们定义一个noise predictor:是第 t 个step过程中的noise image,t 表示第t个stop。


   如何得到一个noise predictor?


这是一个训练的过程。过程如下图所示:


  1. 选择一张训练用的图片,比如说一张猫

  2. 生成一个随机的noise图片

  3. 将noise图叠加到训练用的图片上,得到一张有一些noise的图片。(这里可以叠加1~T步noise

  4. 训练noise predictor,告诉我们加了多少noise。通过正确的noise答案来调整模型权重。


最终我们能得到一个相对准确的noise-predictor。这是一个U-Net model。在stable-diffusion-model中。


通过这一步,我们最终能得到一个noise encoder与noise decoder。

PS: noise encoder在image2image中会应用到。


以上noise与noise-predictor的过程均在pixel space,那么就会存在巨大的性能问题。比如说一张1024x1024x3的RBG图片对应3,145,728个数字,需要极大的计算资源。在这里stable diffusion定义了一个Latent Space,来解决这个问题。


  Latent Space


Latent Space的提出基于一个理论:Manifold_hypothesis


它假设现实世界中,许多高维数据集实际上位于该高维空间内的低维Latent manifolds。像Pixel Space,就存在很多的难以感知的高频细节,而这些都是在Latent Space中需要压缩掉的信息。


那么基于这个假设,我们先定义一个在RGB域的图片


然后存在一个方法z=varepsilon(x),,z是x在latent space的一种表达。


这里有一个因子f=H/h=W/w ,通常我们定义 ,比如说stable-diffusion v1.5训练与推理图片在512x512x3,然后Latent Space的中间表达则是4x64x64,那么我们会有一个decoder D能将图片从Latent Space中解码出来。

在这个过程中我们期望 ,这俩图片无限接近。

整个过程如下图所示:


而执行这个过程的就是我们的Variational Autoencoder,也就是VAE。

那么VAE该怎么训练呢?我们需要一个衡量生成图像与训练图像之间的一个距离指标。

也就是

细节就不关心了,但这个指标可以用来衡量VAE模型的还原程度。训练过程与noise encoder和noise-predictor非常接近。

贴一个stable diffusion在FID指标上,与其他方法的对比。下面的表格来自于无条件图片生成。基本就是比较Latent Space是否有丢失重要信息。


  • 为什么Latent Space是可行的?


你可能在想,为什么VAE可以把一张图片压缩到更小的latent space,并且可以不丢失信息。


其实和人对图片的理解是一样的,自然的、优秀的图片都不是随机的,他们有高度的规则,比如说脸上会有眼睛、鼻子。一只狗会有4条腿和一个规则的形状。
图像的高维性是人为的,而自然的图像可以很容易地压缩为更小的空间中而不丢失任何信息。

可能说我们修改了一张图片的很多难以感知的细节,比如说隐藏水印,微小的亮度、对比度的修改,但修改后还是同样的图像吗?我们只能说它表达的东西还是一样的。并没有丢失任何信息。


  结合Latent Space与noise predictor的图像生成过程


  1. 生成一个随机的latent space matrix,也可以叫做latent representation。一种中间表达

  2. noise-predictor预测这个latent representation的noise.并生成一个latent space noise

  3. latent representation减去latent space noise

  4. 重复2~3,直到step结束

  5. 通过VAE的decoder将latent representation生成最终的图片


直到目前为止,都还没有条件控制的部分。按这个过程,我们最终只会得到一个随机的图片。


条件控制


非常关键,没有条件控制,我们最终只能不断地进行Monkey Coding,得到源源不断的随机图片。


相信你在上面的图片生成的过程中,已经感知到一个问题了,如果只是从一堆noise中去掉noise,那最后得到的为什么是有信息的图片,而不是一堆noise呢?


noise-predictor在训练的时候,其实就是基于已经成像的图片去预测noise,那么它预测的noise基本都来自于有图像信息的训练数据。


在这个denoise的过程中,noise会被附加上各种各样的图像信息。


怎么控制noise-predictor去选择哪些训练数据去预测noise,就是条件控制的核心要素。


这里我们以tex2img为案例讨论。

  Text Conditioning


下面的流程图,展示了一个prompt如何处理,并提供给noise predictor。


  • Tokenizer


从图中可以看到,我们的每一个word,都会被tokenized。stable diffusion v1.5使用的openai ViT-L/14 Clip模型来进行这个过程。

tokenized将自然语言转成计算机可理解的数字(NLP),它只能将words转成token。比如说dreambeach会被CLIP模型拆分成dreambeach。一个word,并不意味着一个token。同时dreambeach也不等同于dream<space>beach,stable diffusion model目前被限制只能使用75个tokens来进行prompt,并不等同于75个word。


  • Embedding


同样,这也是使用的openai ViT-L/14 Clip model. Embedding是一个768长度的向量。每一个token都会被转成一个768长度的向量,如上案例,我们最后会得到一4x768的矩阵。


为什么我们需要embedding呢?


比如说我们输入了 man ,但这是不是同时可以意味着 gentleman guy sportsman boy 。他们可能说在向量空间中,与 man 的距离由近而远。而你不一定非要一个完全准确无误的 man 。通过embedding的向量,我们可以决定究竟取多近的信息来生成图片。对应stable diffusion的参数就是(Classifier-Free Guidance scale)CFG。相当于用一个scale去放大距离,因此scale越大,对应的能获取的信息越少,就会越遵循prompt。而scale越小,则越容易获取到关联小,甚至无关的信息。


如何去控制embedding?


我们经常会遇到stable diffusion无法准确绘制出我们想要的内容。那么这里我们发现了第一种条件控制的方式:textual inversion


将我们想要的token用一个全新的别名定义,这个别名对应一个准确的token。那么就能准确无误地使用对应的embedding生成图片。


这里的embedding可以是新的对象,也可以是其他已存在的对象。


比如说我们用一个玩具猫训练到CLIP模型中,并定义其Tokenizer对应的word,同时微调stable diffusion的模型。而 对应 toy cat 就能产生如下的效果。


感觉有点像Lora的思路,具体还得调研下lora。

text transformer


在得到embedding之后,通过text transformer输入给noise-predictor
transformer可以控制多种条件,如class labels、image、depth map等。

Cross-attention


具体cross-attention是什么我也不是很清楚。但这里有一个案例可以说明:
比如说我们使用prompt "A man with blue eyes"。虽然这里是两个token,但stable diffusion会把这两个单词一起成对。
这样就能保证生成一个蓝色眼睛的男人。而不是一个蓝色袜子或者其他蓝色信息的男人。
(cross-attention between the prompt and the image)

LoRA models modify the cross-attention module to change styles。后面在研究Lora,这里把原话摘到这。

感觉更像是存在 blue eyes ,然后有一个集合同时满足 blue eye 。去取这个交叉的集合。问题:对应的embedding是不是不一样的?该如何区分 blue planet in eye blue eye in planet 的区别?感觉这应该是NLP的领域了。

  • 总结下tex2img的过程


  1. stable diffusion生成一个随机的latent space matrix。这个由Random决定,如果Random不变,则这个latent space matrix不变。

  2. 通过noise-predictor,将noisy image与text prompt作为入参,预测predicted noise in latent space

  3. latent noise减去predicted noise。将其作为新的latent noise

  4. 不断重复2~3执行step次。比如说step=20

  5. 最终,通过VAE的decoder将latent representation生成最终的图片

这个时候就可以贴Stable diffusion论文中的一张图了



手撕一下公式:

左上角的定义为一张RGB像素空间的图。经过的变化,生成这个latent space representation。再经过一系列的noise encoder,得到,T表示step。


而这个过程则是img2img的input。如果是img2img,那么初始的noise latent representation就是这个不断加noise之后的


如果是tex2img,初始的noise latent representation则是直接random出来的。


再从右下角的 开始,y 表示多样的控制条件的入参,如text prompts。通过 (domain specific encoder)将 y 转为intermediate representation(一种中间表达)。而 将经过cross-attention layer的实现:

具体的细节说实话没看懂,而这一部分在controlnet中也有解释,打算从controlnet的部分进行理解。


图中cross-attention的部分可以很清晰的看到是一个由大到小,又由小到大的过程,在controlnet的图中有解释:
SD Encoder Block_1(64x64) -> SD Encoder Block_2(32x32) -> SD Encoder Block_3(16x16) -> SD Encoder(Block_4 8x8) -> SD Middle(Block 8x8) -> SD Decoder(Block_4 8x8) -> SD Decoder Block_3(16x16) -> SD Decoder Block_2(32x32) -> SD Decoder Blocker_1(64x64)
是一个从 64x64  ->  8x8  ->  64x64 的过程,具体为啥,得等我撕完controlnet的论文。回到过程图中,我们可以看到denoising step则是在Latent Space的左下角进行了一个循环,这里与上面的流程一直。


最终通过VAE的decoder D,输出图片


最终的公式如下:

结合上面的图看,基本还是比较清晰的,不过这个 : = 代表了啥就不是很清楚了。结合python代码看流程更清晰~删掉了部分代码,只留下了关键的调用。


pipe = StableDiffusionPipeline.from_pretrained(    "CompVis/stable-diffusion-v1-4", torch_dtype=torch.float16)vae = AutoencoderKL.from_pretrained("CompVis/stable-diffusion-v1-4", subfolder="vae")tokenizer = CLIPTokenizer.from_pretrained("openai/clip-vit-large-patch14")text_encoder = CLIPTextModel.from_pretrained("openai/clip-vit-large-patch14")unet = UNet2DConditionModel.from_pretrained(    "CompVis/stable-diffusion-v1-4", subfolder="unet")scheduler = LMSDiscreteScheduler.from_pretrained(    "CompVis/stable-diffusion-v1-4", subfolder="scheduler")prompt = ["a photograph of an astronaut riding a horse"]generator = torch.manual_seed(32)text_input = tokenizer(    prompt,    padding="max_length",    max_length=tokenizer.model_max_length,    truncation=True,    return_tensors="pt",)with torch.no_grad():    text_embeddings = text_encoder(text_input.input_ids.to(torch_device))[0]max_length = text_input.input_ids.shape[-1]uncond_input = tokenizer(    [""] * batch_size, padding="max_length", max_length=max_length, return_tensors="pt")with torch.no_grad():    uncond_embeddings = text_encoder(uncond_input.input_ids.to(torch_device))[0]text_embeddings = torch.cat([uncond_embeddings, text_embeddings])latents = torch.randn(    (batch_size, unet.in_channels, height // 8, width // 8), generator=generator)scheduler.set_timesteps(num_inference_steps)latents = latents * scheduler.init_noise_sigma
for t in tqdm(scheduler.timesteps): latent_model_input = torch.cat([latents] * 2) latent_model_input = scheduler.scale_model_input(latent_model_input, t) with torch.no_grad(): noise_pred = unet( latent_model_input, t, encoder_hidden_states=text_embeddings ).sample noise_pred_uncond, noise_pred_text = noise_pred.chunk(2) noise_pred = noise_pred_uncond + guidance_scale * ( noise_pred_text - noise_pred_uncond )
latents = scheduler.step(noise_pred, t, latents).prev_sample
latents = 1 / 0.18215 * latents
with torch.no_grad(): image = vae.decode(latents).sample

还是很贴合图中流程的。
在代码中有一个Scheduler,其实就是noising的执行器,它主要控制每一步noising的强度。
由Scheduler不断加噪,然后noise predictor进行预测减噪。
具体可以看Stable Diffusion Samplers: A Com
prehensive Guide(地址:https://stable-diffusion-art.com/samplers/)


  Img2Img


这个其实在上面的流程图中已经解释了。这里把步骤列一下:

  1. 输入的image,通过VAE的encoder变成latent space representation

  2. 往里面加noise,总共加T个noise,noise的强度由Denoising strength控制。noise其实没有循环加的过程,就是不断叠同一个noise T次,所以可以一次计算完成。

  3. noisy image和text prompt作为输入,由noise predictor U-Net预测一个新的noise

  4. noisy image减去预测的noise

  5. 重复3~4 step次

  6. 通过VAE的decoder将latent representation转变成image


  Inpainting


基于上面的原理,Inpainting就很简单了,noise只加到inpaint的部分。其他和Img2Img一样。相当于只生成inpaint的部分。所以我们也经常发现inpaint的边缘经常无法非常平滑~如果能接受图片的细微变化,可以调低Denoising strength,将inpaint的结果,再进行一次img2img


Stable Diffusion v1 vs v2

v2开始CLIP的部分用了OpenClip。导致生成的控制变得非常的难。OpenAI的CLIP虽然训练集更小,参数也更少。(OpenClip是ViT-L/14 CLIP的5倍大小)。 但似乎ViT-L/14的训练集更好一些,有更多针对艺术和名人照片的部分,所以输出的结果通常会更好。导致v2基本没用起来。不过现在没事了,SDXL横空出世。

SDXL model

SDXL模型的参数达到了66亿,而v1.5只有9.8亿
由一个Base model和Refiner model组成。Base model负责生成,而Refiner则负责加细节完善。 可以只运行Base model。但类似人脸眼睛模糊之类的问题还是需要Refiner解决。

SDXL的主要变动:
  1. text encoder组合了OpenClip和ViT-G/14。毕竟OpenClip是可训练的。
  2. 训练用的图片可以小于256x256,增加了39%的训练集
  3. U-Net的部分比v1.5大了3倍
  4. 默认输出就是1024x1024

展示下对比效果:
从目前来看,有朝一日SDXL迟早替代v1.5。从效果来说v2.1确实被时代淘汰了。

Stable Diffusion的一些常见问题


  脸部细节不足,比如说眼部模糊


可以通过VAE files进行修复~有点像SDXL的Refiner

  多指、少指


这个看起来是一个无解的问题。Andrew给出的建议是加prompt比如说 beautiful hands detailed fingers ,期望其中有部分图片满足要求。 或者用inpaint。反复重新生成手部。(这个时候可以用相同的prompt。)

团队介绍


我们是淘天集团-场景智能技术团队,作为一支专注于通过AI和3D技术驱动商业创新的技术团队, 依托大淘宝丰富的业务形态和海量的用户、数据, 致力于为消费者提供创新的场景化导购体验, 为商家提供高效的场景化内容创作工具, 为淘宝打造围绕家的场景的第一消费入口。我们不断探索并实践新的技术, 通过持续的技术创新和突破,创新用户导购体验, 提升商家内容生产力, 让用户享受更好的消费体验, 让商家更高效、低成本地经营。


本文分享自微信公众号 - 大淘宝技术(AlibabaMTT)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

展开阅读全文
加载中
点击引领话题📣 发布并加入讨论🔥
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部