Diffusion | DDIM的边界情况DDPM推导 深度学习, 计算机视觉 · 2023-12-01 DDPM中建模的q(xt−1|xt,x0)满足正态分布, q(xt−1|xt,x0)=N(xt−1;μ~(xt,x0),β~tI)β~t=1−α¯t−11−α¯t⋅βt DDIM中建模的qσ(xt−1|xt,x0)如下,第一个等式二三步用到了重参数技巧和多个独立高斯分布的等价形式, xt−1=α¯t−1x0+1−α¯t−1ϵt−1=α¯t−1x0+1−α¯t−1−σt2ϵt+σtϵ=α¯t−1x0+1−α¯t−1−σt2xt−α¯tx01−α¯t+σtϵqσ(xt−1|xt,x0)=N(xt−1;α¯t−1x0+1−α¯t−1−σt2xt−α¯tx01−α¯t,σt2I) DDIM中的的σt与DDPM中的βt~保持一致,并且添加了一个可学习参数控制方差, σt2=η⋅β~t 当η=0时,采样过程是确定的;当η=1时,退化成DDPM的形式,以下给出推导, μxt−1=α¯t−1x0+1−α¯t−1−σt2xt−α¯tx01−α¯t=α¯t−1x0+1−α¯t−1−β~txt−α¯tx01−α¯t=α¯t−1x0+1−α¯t−1−(1−α¯t−1)⋅(1−αt)1−α¯txt−α¯tx01−α¯t=(α¯t−1+1−α¯t−1−(1−α¯t−1)⋅(1−αt)1−α¯t⋅−α¯t1−α¯t)⋅x0+1−α¯t−1−(1−α¯t−1)⋅(1−αt)1−α¯t⋅xt1−α¯t=(α¯t−1+(1−α¯t−1)⋅(1−1−αt1−α¯t)⋅−α¯t1−α¯t)⋅x0+(1−α¯t−1)⋅(1−1−αt1−α¯t)⋅xt1−α¯t=(α¯t−1+(1−α¯t−1)⋅αt−α¯t1−α¯t⋅−α¯t1−α¯t)⋅x0+(1−α¯t−1)αt−α¯t1−α¯t⋅xt1−α¯t=(α¯t−1+1−α¯t−1⋅αt−α¯t1−α¯t⋅−α¯t1−α¯t)⋅x0+1−α¯t−1⋅αt−α¯t1−α¯t⋅xt1−α¯t=(α¯t−1−1−α¯t−1⋅1−α¯t−1⋅αt1−α¯t⋅α¯t1−α¯t)⋅x0+1−α¯t−1⋅1−α¯t−1⋅αt1−α¯t⋅xt1−α¯t=(α¯t−1−αt⋅α¯t⋅(1−α¯t−1)1−α¯t)⋅x0+αt⋅(1−α¯t−1)⋅xt1−α¯t=(α¯t−1−α¯t⋅α¯t−1−αt⋅α¯t⋅+αt⋅α¯t⋅α¯t−11−α¯t)⋅x0+αt⋅(1−α¯t−1)⋅xt1−α¯t=(α¯t−1−α¯t⋅α¯t−1−αt−1⋅α¯t+α¯t−1⋅α¯t1−α¯t)⋅x0+αt⋅(1−α¯t−1)⋅xt1−α¯t=(α¯t−1−αt−1⋅α¯t1−α¯t)⋅x0+αt⋅(1−α¯t−1)⋅xt1−α¯t=μxt−1DDPM DDPM、DDIM 上一篇:Pytorch 多任务训练框架 下一篇:LoRA源码阅读
评论