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(xt1|xt,x0)满足正态分布,
q(xt1|xt,x0)=N(xt1;μ~(xt,x0),β~tI)β~t=1α¯t11α¯tβt
DDIM中建模的qσ(xt1|xt,x0)如下,第一个等式二三步用到了重参数技巧多个独立高斯分布的等价形式
xt1=α¯t1x0+1α¯t1ϵt1=α¯t1x0+1α¯t1σt2ϵt+σtϵ=α¯t1x0+1α¯t1σt2xtα¯tx01α¯t+σtϵqσ(xt1|xt,x0)=N(xt1;α¯t1x0+1α¯t1σt2xtα¯tx01α¯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=ηβ~t
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,
μxt1=α¯t1x0+1α¯t1σt2xtα¯tx01α¯t=α¯t1x0+1α¯t1β~txtα¯tx01α¯t=α¯t1x0+1α¯t1(1α¯t1)(1αt)1α¯txtα¯tx01α¯t=(α¯t1+1α¯t1(1α¯t1)(1αt)1α¯tα¯t1α¯t)x0+1α¯t1(1α¯t1)(1αt)1α¯txt1α¯t=(α¯t1+(1α¯t1)(11αt1α¯t)α¯t1α¯t)x0+(1α¯t1)(11αt1α¯t)xt1α¯t=(α¯t1+(1α¯t1)αtα¯t1α¯tα¯t1α¯t)x0+(1α¯t1)αtα¯t1α¯txt1α¯t=(α¯t1+1α¯t1αtα¯t1α¯tα¯t1α¯t)x0+1α¯t1αtα¯t1α¯txt1α¯t=(α¯t11α¯t11α¯t1αt1α¯tα¯t1α¯t)x0+1α¯t11α¯t1αt1α¯txt1α¯t=(α¯t1αtα¯t(1α¯t1)1α¯t)x0+αt(1α¯t1)xt1α¯t=(α¯t1α¯tα¯t1αtα¯t+αtα¯tα¯t11α¯t)x0+αt(1α¯t1)xt1α¯t=(α¯t1α¯tα¯t1αt1α¯t+α¯t1α¯t1α¯t)x0+αt(1α¯t1)xt1α¯t=(α¯t1αt1α¯t1α¯t)x0+αt(1α¯t1)xt1α¯t=μxt1DDPM

 DDPMDDIM
评论
JJJYmmm's Blog. All Rights Reserved. Theme Jasmine by Kent Liao.