图片是如何生成的--图像生成模型（GAN、VAE、扩散模型）简介

最新推荐文章于 2025-04-15 23:09:53 发布

薇酱

最新推荐文章于 2025-04-15 23:09:53 发布

阅读量1.2w

点赞数 24

分类专栏： AIGC 深度学习文章标签：人工智能神经网络图像生成

本文链接：https://blog.youkuaiyun.com/qq_17246605/article/details/131271074

版权

深度学习同时被 2 个专栏收录

9 篇文章

订阅专栏

AIGC

4 篇文章

订阅专栏

本文介绍了图像生成领域的几种主要模型，包括GAN、各种AutoEncoder变体（AE、DAE、VAE、VQVAE）以及扩散模型的原理和演化，如DDPM、DALLE2。文章强调了各模型的优缺点，如GAN的训练稳定性问题，AE家族的重构能力与不可采样性，以及扩散模型的高成本与多样性。此外，还提到了最新进展，如classifier-freeguidance在扩散模型中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.GAN

2.AutoEncoder及其变种：AE/DAE/VAE/VQVAE

2.1 AE：

2.2 DAE：Denoising AutoEncoder

2.3 VAE：Variational AutoEncoder

2.4 VQVAE：Vector-quantised Variational AutoEncoder

3.3.3 Diffusion Model Beats GAN

3.2.4 Glide

3.2.5 DALLE 2

4.AE家族 vs 扩散模型

本文简单介绍了下图像生成相关的一些模型。

本来想从吴恩达的deepai课程开始写的，但是感觉还是不够简单，推荐跟着李沐学AI里的DALL·E 2，我个人觉得讲的蛮清楚的。

传送门：DALL·E 2（内含扩散模型介绍）【论文精读】_哔哩哔哩_bilibili，从28分开始讲解。

1.GAN

GAN就是左右手互搏，生成器（G）和判别器（D）。

生成器：给定随机噪声，生成图像X’，希望X’尽可能的接近真实图像。

判别器：给定X’和真实图像X，判别图片真假。

目标函数：

通过训练，生成器和判别器不断迭代，最终生成器可以生成比较逼真的图像。

优点：生成的图像比较逼真，需要的数据量不那么多，可以在各个场景下使用

缺点：训练不稳定，容易模型坍塌。

图片真实但是多样性不足。

非概率模型，隐式生成图像，在数学上的可解释性不如VAE

2.AutoEncoder及其变种：AE/DAE/VAE/VQVAE

2.1 AE：

原始图像X通过encoder后，得到一个较小维度的特征（bottleneck），再从bottleneck开始，经过decoder后得到新的X'，希望X‘尽可能重建原始X。

2.2 DAE：Denoising AutoEncoder

原始图像经过扰乱后得到Xc（X corrupt），再将Xc传给encoder，后续和AE的步骤一致，目标也是希望X’能够尽可能地重建X（而不是扰乱之后的Xc）

优点：训练出来的结果非常的稳健，也不容易过拟合（原因：图像这边的冗余太高了，参考MAE,masked AutoEncoder,masked 75%）

AE/DAE/MAE的目标都是生成中间的bottleneck，可以用这个embedding做下游的分类任务，但是这里的bottleneck不是一个概率分布，没法对其进行采样，所以无法做生成任务。

2.3 VAE：Variational AutoEncoder

和上面的图很像，只不过不再学习一个固定的bottleneck特征，而是去学习了一个分布，且这个分布满足高斯分布。

编码器的特征通过FC层，预测分布的均值和方差，

利用均值和方差，采样一个Z出来，后续的步骤和AE类似。

当模型训练好之后，可以直接由分布生成Z，再通过decoder生成对应的图片X‘，这样就可以做生成任务了。

数学解释：

q（Z|X）后验概率

分布：先验分布

p(X|Z):likelihood

优点：学习的是分布，图像多样性优秀。数学解释性好。

2.4 VQVAE：Vector-quantised Variational AutoEncoder

codebook：可以理解为聚类中心，用离散化的codebook替代distribution，效果更好（类比分类比回归效果好）

K：一般是8192，向量的个数

D:512或768，向量的维度

图片通过编码器得到特征图f后，在codebook中找到和特征图最接近的聚类中心，将聚类中心的编码记录到Z中，将index对应的特征取出，作为fa，完成后续的流程。

额外训练了一个pixel-CNN，当做prior网络，从而利用已经训练好的codebook去做图像的生成。

3. 扩散模型

3.1 扩散模型的基本原理

一张图片X0，每一步都给它加一个极小的噪声，T步之后得到XT，当T特别大时，这时的XT就趋近于一个真正的噪声，满足各向同性的正态分布，整个过程就是forward disfussion，前向扩散过程。

reverse diffusion整个过程反过来，抽样一个噪声XT，通过不断地消除一点点噪声，T步之后，就可以得到一个真正的图片X0，所有的Xt->Xt-1都是用的同一个模型，共享参数，只不过需要抽样很多次。

U-Net：扩散模型一般使用的是U-Net模型，也就是CNN模型。

先用编码器不断压缩图像，再用解码器不断恢复图像，输入图像和输出图像大小一致，中间还有skip-connection，帮助更好地恢复图像。后续也有加入attention的操作，帮助更好地生成图像。

缺点：非常贵，推理也需要T次（T一般是1000）

3.2 扩散模型的发展历程

3.2.1 DDPM

优化了SD的预测目标，将其从图像->图像，变为了去预测对应的噪声是如何加上的，有点像resnet，去预测对应的 residual。
加入了temporal embedding，时序相关的embedding，因为所有步骤的unet结构都一致，我们希望模型在不同步能够生成不同的东西就通过这个embedding来（PS：使用Stable Diffusion的时候会发现，先有轮廓再有细节就是因为这个）
提出只需要预测均值（方差只需要是常数就可以工作的很好），进一步降低模型优化的难度。

3.2.2 improved DDPM

1.在DDPM的基础上，还是去学习了对应的方差，生成图片的效果进一步提升。

2.添加噪声的schedule 由线性改为余弦添加（类似学习率的余弦schedule）

3.尝试使用扩散模型的大模型，发现模型越大，效果也越好。

3.3.3 Diffusion Model Beats GAN

1.将模型加大加宽

增加自注意力头的数量，single-scale attention->multi-scale attention（多尺度注意力是指在神经网络中引入多个不同尺度的特征图，然后通过注意力机制对这些特征图进行加权融合，从而提高模型对不同尺度信息的感知能力和表达能力。）

2.新的归一化方式（Adaptive Group Normalization）

根据步数做自适应的归一化

3.classifier guidance

引导模型做采样和生成，让生成的图片效果更逼真，也加速了反向采样的速度（只需要25次反向采样，相比于之前的1000次，速度提升非常大）

图中的classifer 是在有噪声的ImageNet上训练的图片分类器，加入噪声是因为扩散模型本身就是在有噪声的图片上训练的。

每次训练时，将Xt传给classifer，预测它对应所属的类别，并且计算交叉熵，得到梯度g，用梯度g来指导后续噪声的采样。通过梯度的引导，让Unet采样的结果尽可能接近真实的物体，也就是能被classifer正确分类。

除了classifer之外，还有clip、image、text等其他的引导方式。它们都相当于是公式中条件y。

clip：后续除了使用classifer来引导图片的采样和生成，也可以将其：替换成clip，将文本和图像联系起来，从而用文本来引导图片的采样和生成，

image ：图片的重建--像素级别的引导，特征层面的引导，图像风格的引导

text：大语言模型做引导

3.2.4 Glide

classifer-free guidance

之前的classfier guidance都是在扩散模型之外，再额外训练一个模型，训练过程不太可控。classifer-free guidance则是同一个模型同时生成2张图片，一张是有条件的(图片左边)，一张是无条件的（图片右边），图片右边的条件是一个空集，在训练过程中，让模型学会两张图片的差距。在反向扩散的过程中，通过没有条件生成的图片去推测生成有条件y生成的图片。