[[443024]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

 OpenAI剛剛推出的年末新作GLIDE，又讓擴散模型小火了一把。

這個基于擴散模型的文本圖像生成大模型參數(shù)規(guī)模更小，但生成的圖像質(zhì)量卻更高。

于是，依舊是OpenAI出品，論文標題就直接號稱“在圖像生成上打敗GAN”的ADM-G模型也重新進入了大眾眼中：

光看Papers with Code上基于ImageNet數(shù)據(jù)集的圖像生成模型榜單，從64 x 64到512 x 512分辨率都由這一模型占據(jù)榜首：

對比曾號稱史上最強圖像生成器的BigGAN-deep也不落下風，甚至還能在LSUN和ImageNet 64 × 64的圖像生成效果上達到SOTA。

有網(wǎng)友對此感嘆：前幾年圖像生成領域一直由GAN主導，現(xiàn)在看來，似乎要變成擴散模型了。

加入類別條件的擴散模型

我們先來看看擴散模型的定義。

這是一種新的圖像生成的方法，其名字中的“擴散”本質(zhì)上是一個迭代過程。

具體到推理中，就是從一幅完全由噪聲構成的圖像開始，通過預測每個步驟濾除的噪聲，迭代去噪得到一個高質(zhì)量的樣本，然后再逐步添加更多的細節(jié)。

而OpenAI的這個ADM-G模型，則是在此基礎上向圖像生成任務中加入了類別條件，形成了一種獨特的消融擴散模型。

研究人員分別從以下幾個方面做了改進：

基本架構

基于UNet結構做了五點改進：

• 在保持模型大小不變的前提下，增加深度與寬度
• 增加注意頭（Attention Head）數(shù)量
• 在32×32、16×16和8×8的分辨率下都使用注意力機制
• 使用BigGAN殘差塊對激活函數(shù)進行上采樣和下采樣
• 將殘差連接（Residual Connections）縮小為原來的1/根號2

類別引導（Classifier Guidance）

在噪聲逐步轉(zhuǎn)換到信號的過程中，研究人員引入了一個預先訓練好的分類網(wǎng)絡。

它能夠為中間生成圖像預測并得到一個標簽，也就是可以對生成的圖片進行分類。

之后，再基于分類分數(shù)和目標類別之間的交叉熵損失計算梯度，用梯度引導下一步的生成采樣。

縮放分類梯度（Scaling Classifier Gradients）

按超參數(shù)縮放分類網(wǎng)絡梯度，以此來控制生成圖像的多樣性和精度。

比如像這樣，左邊是1.0規(guī)模大小的分類網(wǎng)絡，右邊是10.0大小的分類網(wǎng)絡，可以看到，右邊的生成圖像明顯類別更加一致：

也就是說，分類網(wǎng)絡梯度越高，類別就越一致，精度也越高，而同時多樣性也會變小。

生成領域的新熱點

目前，這一模型在GitHub上已有近千標星：

而與GAN比起來，擴散模型生成的圖像還更多樣、更復雜。

基于同樣的訓練數(shù)據(jù)集時，擴散模型可以生成擁有全景、局部特寫、不同角度的圖像：

其實，自2020年谷歌發(fā)表DDPM后，擴散模型就逐漸成為了生成領域的一個新熱點，

除了文章中提到的OpenAI的兩篇論文之外，還有Semantic Guidence Diffusion、Classifier-Free Diffusion Guidence等多個基于擴散模型設計的生成模型。

擴散模型接下來還會在視覺任務上有哪些新的應用呢，我們來年再看。

論文鏈接：
https://arxiv.org/abs/2105.05233

開源鏈接：
https://github.com/openai/guided-diffusion