本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

新晉圖像生成王者擴散模型，剛剛誕生沒多久。

有關它的理論和實踐都還在“野蠻生長”。

來自英偉達StyleGAN的原班作者們站了出來，嘗試給出了一些設計擴散模型的竅門和準則，結果模型的質量和效率都有所改進，比如將現有ImageNet-64模型的FID分數從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界大佬的認同。

DeepMind研究員就稱贊道：這篇論文簡直就是訓練擴散模型的人必看，妥妥的一座金礦。

三大貢獻顯著提高模型質量和效率

我們從以下幾個方面來看StyleGAN作者們對擴散模型所做的三大貢獻：

用通用框架表示擴散模型

在這部分，作者的貢獻主要為從實踐的角度觀察模型背后的理論，重點關注出現在訓練和采樣階段的“有形”對象和算法，更好地了解了組件是如何連接在一起的，以及它們在整個系統的設計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現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現了SOTA性能，還來自不同的理論基礎。）

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

隨機采樣和確定性采樣的改進

作者的第二組貢獻涉及擴散模型合成圖像的采樣過程。

他們確定了最佳的時間離散化（time discretization），對采樣過程應用了更高階的Runge–Kutta方法，并在三個預訓練模型上評估不同的方法，分析了隨機性在采樣過程中的有用性。

結果在合成過程中所需的采樣步驟數量顯著減少，改進的采樣器可以用作幾個廣泛使用的擴散模型的直接替代品。

先看確定性采樣。用到的三個測試模型還是上面的那三個，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）實現測量這些模型的基線結果，然后使用表1中的公式將這些采樣方法引入他們的統一框架，再進行改進。

接著根據在50000張生成圖像和所有可用真實圖像之間計算的FID分數來評估質量。

可以看到，原始的的確定性采樣器以藍色顯示，在他們的統一框架（橙色）中重新實現這些方法會產生類似或更好的結果。

作者解釋，這些差異是由于原始實現中的某些疏忽，加上作者對離散噪聲級的處理更仔細造成的。

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采樣相比，它輸出的圖像質量確實更差。

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

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

最終模型性能提升顯著，而且僅通過對采樣器的改進，就能夠讓ImageNet-64模型原來的FID分數從2.07提高到1.55，接近SOTA水平。

預處理和訓練

作者的第三組貢獻主要為分數建模（score-modeling）神經網絡的訓練。

這部分繼續依賴常用的網絡體系結構（DDPM、NCSN），作者通過對擴散模型設置中網絡的輸入、輸出和損失函數的預處理進行了原則性分析，得出了改進訓練動態的最佳實踐。

比如使用依賴于σ（noise level）的跳躍連接對神經網絡進行預處理，使其能夠估計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練配置得到的FID分數。

作者從基線訓練配置開始，使用確定性采樣器（稱為配置A），重新調整了基本超參數（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能力（配置C）。

然后用預處理（配置D）替換原來的{cin，cout，cnoise，cskip}選項。這使結果基本保持不變，但VE在64×64分辨率下有很大改善。該預處理方法的主要好處不是改善FID本身，而是使訓練更加穩健，從而將重點轉向重新設計損失函數又不會產生不利影響。

VP和VE只在Fθ的架構上有所不同（配置E和F）。

除此之外，作者還建議改進訓練期間的噪聲級分布，并發現通常與GANs一起使用的無泄漏風險增強（non-leaking augmentation）操作也有利于擴散模型。

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分別達到了1.79和1.97，打破了之前的記錄（1.85和2.1046）。

更多細節歡迎查看論文原文：
https://arxiv.org/abs/2206.00364