diffusion model模型应用与理解

MLNLP

社区是国内外知名的机器学习与自然语言处理社区，受众覆盖国内外NLP硕博生、高校老师以及企业研究人员。

社区的愿景是促进国内外自然语言处理，机器学习学术界、产业界和广大爱好者之间的交流和进步，特别是初学者同学们的进步。

转载自 | 北邮 GAMMA Lab

作者 | 李一博

1. diffusion模型的应用

diffusion模型在计算机视觉、自然语言处理等方面有广泛的研究和应用。下图为diffusion模型在不同领域的一些研究与应用。

超分辨率

图像修复

多模态学习

分子图

2. diffusion模型与其他模型的对比

扩散模型的灵感来自非平衡热力学。扩散模型定义了一个扩散的马尔可夫链，并缓慢地将随机噪声添加到数据中，然后学习反扩散过程以从噪声中构建所需的数据样本。与 VAE 或流模型不同，扩散模型是通过固定过程学习的，且扩散过程中变量具有和原始变量相同的维度。

2.1 VAE与diffusion模型对比

变分自动编码器旨在学习编码器和解码器，以将输入数据映射到连续潜在空间中的值。在这些模型中，嵌入可以解释为概率生成模型中的潜在变量，概率解码器可以通过参数化似然函数来表示。此外，假设数据 x 是由一些未观察到的隐变量 z 使用条件分布生成的，并且用于近似推断 z。为了保证有效的推断，我们使用变分贝叶斯方法来最大化证据下限：

DDPM 可以被视为多层马尔可夫 VAE。正向过程表示编码器，反向过程表示解码器。此外，DDPM 跨多个层共享解码器，并且所有隐变量的大小都与样本数据相同。在连续时间的条件下，优化扩散模型可以看作是训练一个无限的、深度的、多层的的 VAE。这证明了人们普遍认为扩散模型可以解释为分层 VAE 的连续极限。

2.2 diffusion模型推导过程

扩散模型包括两个过程：前向过程（forward process）和反向过程（reverse process），其中前向过程又称为扩散过程（diffusion process），如下图所示。无论是前向过程还是反向过程都是一个参数化的马尔可夫链（Markov chain），其中反向过程可以用来生成数据，这里我们将通过变分推断来进行建模和求解。