“雕像其实本来就已经在大理石里面，我只是把不要的部分拿掉”：米开朗琪罗

 Denoise Model除了要输入 要被输入的那张图片，还要输入这是第几张图片。(即Noise严重的程度)

Denoise Model内部实际上是在干什么呢：

1、Denoise Preidcter除了吃要还原的图片，还要吃一个步骤的数字。 输出一张噪声的图片，即预测出在这张图片中噪声应该长成什么样子。

2、使用要还原的图片，减去预测出来的噪声，得到Denoise后的图片。Noise Predicter学习的是噪声。(学习这张图片中的噪声是比较简单的。直接端到端，学习加噪之后的猫，其实是非常困难的)

如何训练一个Noise Predictor

从database 中取一张图片，自己加噪音进去，从Random 噪声中选择采用一组噪音出来加进去。

 这样加噪之后，你就有Noise Predictor的训练资料了。

 文生图

文生图，在denoise的步骤中 每一步增加一个输入。

 训练过程

 DDPM的algorithm。

Stable diffusion

 三个比较重要的model 对于 文生图

1、Text Encoder  (一个比较好的文本嵌入)

2、Generation Model   (一个比较好的，中间生成模型, 生成压缩后的版本)

3、Decoder   (一个比较好的Decoder，从输出的图片的压缩版本，还原回图片)

通常来说 这三个Model是分开训练，然后组合起来的

先有一个Encode去处理输入的东西，右侧部分。

 DALL-E 系列 Generation Model 可以考虑使用AR模型或者Diffusion模型

 Imagen系列的模型，generation model 部分会产生一个人可以辨识的小图，在Decoder的模块，再过一层Diffusion Model去生成最后的图片。

 Stable diffusion

 文字Encoder

 FID越小 生成的效果越好。CLIP Score 越大越好。总之 越往右下角越好。随着使用的Encoder越来越大，他生成的效果越来越好。

文字的Encoder对于生成结果的影响 非常的大。

U-Net大小 指的是Noise Predicter模型的大小。按图说明，增加Diffusion model对于结果影响不大。

上面这个CNN是Pre-Train过的，

上面蓝色的点，代表生成的图片经过CNN  model之后所产生的representation.红色的点，代表真实图片经过CNN model之后所产生的representation,

这两个representation相隔的越接近，说明生成的影像和原始的影像越接近。

这两个representation 离得越远，说明生成的影像和原始影像隔得越远。

怎么看两组representation 之间的距离呢。

使用了比较粗暴的方法：

假设这两组distribution 都是高斯distribution, 就是算这两个Gaussian distribution 的distance.

做法看起来很粗糙 但是Imagen仍然使用的是FID这个评价指标。

他需要sample 很多张的图片 来计算FID,

CliP Score 用于计算你输入的文字和图片含义之间的距离

 Decoder的训练 不需要 影像和文字匹配的数据。

 如果中间产物是小图

那么Decoder的训练非常的简单，你只需要把你手上的影像都拿出来，然后变成小图， 你就有成对的资料，你就可以把小图变成大图。

如果中间产物是Latent Representation

我们如何训练一个Decoder把 Larent Representation 当成输入，把这些Latent Represention还原成一张图片。

训练一个Auto-encoder  使得输入X 经过AE尽可能的还原出X。

 训练完成之后，我们就可以把Decoder拉出来用，给予一个Latent Representation ,就可以还原出X。

 把噪音加入latent reprezatation.