新晉圖像生成王者擴(kuò)散模型，剛剛誕生沒多久。

有關(guān)它的理論和實(shí)踐都還在“野蠻生長(zhǎng)”。

來自英偉達(dá)StyleGAN的原班作者們站了出來，嘗試給出了一些設(shè)計(jì)擴(kuò)散模型的竅門和準(zhǔn)則，結(jié)果模型的質(zhì)量和效率都有所改進(jìn)，比如將現(xiàn)有ImageNet-64模型的FID分?jǐn)?shù)從2.07提高到接近SOTA的1.55分。

他們這一工作成果迅速得到了業(yè)界大佬的認(rèn)同。

DeepMind研究員就稱贊道：這篇論文簡(jiǎn)直就是訓(xùn)練擴(kuò)散模型的人必看，妥妥的一座金礦。

三大貢獻(xiàn)顯著提高模型質(zhì)量和效率

我們從以下幾個(gè)方面來看StyleGAN作者們對(duì)擴(kuò)散模型所做的三大貢獻(xiàn)：

用通用框架表示擴(kuò)散模型

在這部分，作者的貢獻(xiàn)主要為從實(shí)踐的角度觀察模型背后的理論，重點(diǎn)關(guān)注出現(xiàn)在訓(xùn)練和采樣階段的“有形”對(duì)象和算法，更好地了解了組件是如何連接在一起的，以及它們?cè)谡麄€(gè)系統(tǒng)的設(shè)計(jì)中可以使用的自由度（degrees of freedom）。

精華就是下面這張表：

該表給出了在他們的框架中復(fù)現(xiàn)三種模型的確定變體的公式。

（這三種方法（VP、VE、iDDPM+ DDIM）不僅被廣泛使用且實(shí)現(xiàn)了SOTA性能，還來自不同的理論基礎(chǔ)。）

這些公式讓組件之間原則上沒有隱含的依賴關(guān)系，在合理范圍內(nèi)選擇任意單個(gè)公示都可以得出一個(gè)功能模型。

隨機(jī)采樣和確定性采樣的改進(jìn)

作者的第二組貢獻(xiàn)涉及擴(kuò)散模型合成圖像的采樣過程。

他們確定了最佳的時(shí)間離散化（time discretization），對(duì)采樣過程應(yīng)用了更高階的Runge–Kutta方法，并在三個(gè)預(yù)訓(xùn)練模型上評(píng)估不同的方法，分析了隨機(jī)性在采樣過程中的有用性。

結(jié)果在合成過程中所需的采樣步驟數(shù)量顯著減少，改進(jìn)的采樣器可以用作幾個(gè)廣泛使用的擴(kuò)散模型的直接替代品。

先看確定性采樣。用到的三個(gè)測(cè)試模型還是上面的那三個(gè)，來自不同的理論框架和模型族。

作者首先使用原始的采樣器（sampler）實(shí)現(xiàn)測(cè)量這些模型的基線結(jié)果，然后使用表1中的公式將這些采樣方法引入他們的統(tǒng)一框架，再進(jìn)行改進(jìn)。

接著根據(jù)在50000張生成圖像和所有可用真實(shí)圖像之間計(jì)算的FID分?jǐn)?shù)來評(píng)估質(zhì)量。

可以看到，原始的的確定性采樣器以藍(lán)色顯示，在他們的統(tǒng)一框架（橙色）中重新實(shí)現(xiàn)這些方法會(huì)產(chǎn)生類似或更好的結(jié)果。

作者解釋，這些差異是由于原始實(shí)現(xiàn)中的某些疏忽，加上作者對(duì)離散噪聲級(jí)的處理更仔細(xì)造成的。

確定性采樣好處雖然多，但與每一步都向圖像中注入新噪聲的隨機(jī)采樣相比，它輸出的圖像質(zhì)量確實(shí)更差。

不過作者很好奇，假設(shè)ODE（常微分方程）和SDE（隨機(jī)微分方程）在理論上恢復(fù)相同的分布，隨機(jī)性的作用到底是什么？

在此他們提出了一種新的隨機(jī)采樣器，它將現(xiàn)有的高階ODE積分器與添加和去除噪聲的顯式“Langevin-like ‘churn’”相結(jié)合。

最終模型性能提升顯著，而且僅通過對(duì)采樣器的改進(jìn)，就能夠讓ImageNet-64模型原來的FID分?jǐn)?shù)從2.07提高到1.55，接近SOTA水平。

預(yù)處理和訓(xùn)練

作者的第三組貢獻(xiàn)主要為分?jǐn)?shù)建模（score-modeling）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

這部分繼續(xù)依賴常用的網(wǎng)絡(luò)體系結(jié)構(gòu)（DDPM、NCSN），作者通過對(duì)擴(kuò)散模型設(shè)置中網(wǎng)絡(luò)的輸入、輸出和損失函數(shù)的預(yù)處理進(jìn)行了原則性分析，得出了改進(jìn)訓(xùn)練動(dòng)態(tài)的最佳實(shí)踐。

比如使用依賴于σ（noise level）的跳躍連接對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)處理，使其能夠估計(jì)y（signal）或n（noise），或介于兩者之間的東西。

下表具體展示了模型彩英不同訓(xùn)練配置得到的FID分?jǐn)?shù)。

作者從基線訓(xùn)練配置開始，使用確定性采樣器（稱為配置A），重新調(diào)整了基本超參數(shù)（配置B），并通過移除最低分辨率層，并將最高分辨率層的容量加倍來提高模型的表達(dá)能力（配置C）。

然后用預(yù)處理（配置D）替換原來的{cin，cout，cnoise，cskip}選項(xiàng)。這使結(jié)果基本保持不變，但VE在64×64分辨率下有很大改善。該預(yù)處理方法的主要好處不是改善FID本身，而是使訓(xùn)練更加穩(wěn)健，從而將重點(diǎn)轉(zhuǎn)向重新設(shè)計(jì)損失函數(shù)又不會(huì)產(chǎn)生不利影響。

VP和VE只在Fθ的架構(gòu)上有所不同（配置E和F）。

除此之外，作者還建議改進(jìn)訓(xùn)練期間的噪聲級(jí)分布，并發(fā)現(xiàn)通常與GANs一起使用的無泄漏風(fēng)險(xiǎn)增強(qiáng)（non-leaking augmentation）操作也有利于擴(kuò)散模型。

比如從上表中，我們可以看到：有條件和無條件CIFAR-10的最新FID分別達(dá)到了1.79和1.97，打破了之前的記錄（1.85和2.1046）。

審核編輯 ：李倩