十分钟读懂Stable Diffusion
在上一篇文章中，介绍了有关Diffusion扩散模型的原理，如何将输入文本转换为最终的图片。但是由于Diffusion在反向扩散过程中需要把完整尺寸的图片输入到U-Net，使得速度非常慢，因此目前应用最广的并不是Diffusion，而实其改进版Stable Diffusion。有关Diffusion的内容可以参考下面的链接：
接下来我们介绍Stable Diffusion是如何根据文字生成图像的，相比Diffusion做了哪些优化。
写在最前面：
由于Stable Diffusion里面有关扩散过程的描述，描述方法有很多版本，比如前向过程也可以叫加噪过程，为了便于理解，这里把各种描述统一说明一下。
- Diffusion扩散模型：文章里面所有出现Diffusion扩散模型的地方，都是指2020年提出的DDPM模型DDPM: Denoising Diffusion Probabilistic Models
- 前向扩散过程、加噪过程（含义一样，下同）
- 反向扩散过程、去噪过程、图片生成过程、Sampling
- 单轮去噪过程、单轮U-Net过程、单轮反向扩散过程
开源的Stable Diffusion
目前AI绘画最火的当属Midjorney和Stable Diffusion，但是由于Midjourney没有开源，因此我们主要分享下Stable Diffusion，后面我们会补充介绍下Midjourney。
公开资料显示，Stable Diffusion是StabilityAI公司于2022年提出的，论文和代码都已开源。StabilityAI在10月28日完成了1.01亿美元的融资，目前估值已经超过10亿美元。
大家可以去Stable Diffusion Online这个网站体验一下Stable Diffusion，我们输入文本“’A sunset over a mountain range, vector image”（山脉上的日落），看一下效果：
在了解应用后，接下来我们介绍下Stable Diffusion。主要还是通过图解的方式，避免大量公式推导，看起来费劲。
1. Stable Diffusion文字生成图片过程
Stable Diffusion其实是Diffusion的改进版本，主要是为了解决Diffusion的速度问题。那么Stable Diffusion是如何根据文字得出图片的呢？下图是Stable Diffusion生成图片的具体过程：
可以看到，对于输入的文字（图中的“An astronout riding a horse”）会经过一个CLIP模型转化为text embedding，然后和初始图像（初始化使用随机高斯噪声Gaussian Noise）一起输入去噪模块（也就是图中Text conditioned latent U-Net），最后输出 大小的图片。在文章（绝密伏击：十分钟读懂Diffusion：图解Diffusion扩散模型）中，我们已经知道了CLIP模型和U-Net模型的大致原理，这里面关键是Text conditioned latent U-net，翻译过来就是文本条件隐U-net网络，其实是通过对U-Net引入多头Attention机制，使得输入文本和图像相关联，后面我们重点讲讲这一块是怎么做的。
2. Stable Diffusion的改进一：图像压缩
Stable Diffusion原来的名字叫“Latent Diffusion Model”（LDM），很明显就是扩散过程发生隐空间中（latent space），其实就是对图片做了压缩，这也是Stable Diffusion比Diffusion速度快的原因。
Stable Diffusion会先训练一个自编码器，来学习将图像压缩成低维表示。
- 通过训练好的编码器
，可以将原始大小的图像压缩成低维的latent data（图像压缩）
- 通过训练好的解码器
，可以将latent data还原为原始大小的图像
在将图像压缩成latent data后，便可以在latent space中完成扩散过程，对比下和Diffusion扩散过程的区别，如下图所示：
可以看到Diffusion扩散模型就是在原图 上进行的操作，而Stale Diffusion是在压缩后的图像
上进行操作。
Stable Diffusion的前向扩散过程和Diffusion扩散模型基本没啥区别，只是多了一个图像压缩，只是反向扩散过程二者之前还是有区别。
3. Stable Diffusion的改进二：反向扩散过程
在第一节我们已经简单介绍过Stable Diffusion文字生成图片的过程，这里我们扩展下，看一下里面的细节，如下图所示：
上图从右至左，输入的文字是“Pairs in milky way”（银河系的巴黎），经过CLIP模型 转为Text embedding，然后和初始图像（噪声向量
）、Time step向量
，一起输入Diffusion模块（多轮去噪过程），最后将输出的图像
经过解码器
后，生成最终的图像。
Stable Diffusion在反向扩散过程中其实谈不上改进，只是支持了文本的输入，对U-Net的结构做了修改，使得每一轮去噪过程中文本和图像相关联。在上一篇文章（绝密伏击：十分钟读懂Diffusion：图解Diffusion扩散模型）中，我们在介绍使用Diffusion扩散模型生成图像时，一开始就已经介绍了在扩散过程中如何支持文本输入，以及如何修改U-Net结构，只是介绍U-Net结构改进的时候，讲的比较粗，感兴趣的可以去看看里面的第一节。下面我们就补充介绍下Stable Diffusion是如何对U-Net结构做修改，从而更好的处理输入文本。
3.1 反向扩散细节：单轮去噪U-Net引入多头Attention（改进U-Net结构）
我们先看一下反向扩散的整体结构，如下图所示：
从上图可以看出，反向扩散过程中输入文本和初始图像 需要经过
轮的U-Net网络（
轮去噪过程），最后得到输出
，解码后便可以得到最终图像。由于要处理文本向量，因此必然要对U-Net网络进行调整，这样才能使得文本和图像相关联。下图是单轮的去噪过程：
上图的最左边里面的Semantic Map、Text、Representations、Images稍微不好理解，这是Stable Diffusion处理不同任务的通用框架：
- Semantic Map：表示处理的是通过语义生成图像的任务
- Text：表示的就是文字生成图像的任务
- Representations：表示的是通过语言描述生成图像
- Images：表示的是根据图像生成图像
这里我们只考虑输入是Text，因此首先会通过模型CLIP模型生成文本向量，然后输入到U-Net网络中的多头Attention(Q, K, V)。
这里补充一下多头Attention(Q, K, V)是怎么工作的，我们就以右边的第一个Attention(Q, K, V)为例。
其中：
。可以看到每一轮去噪过程中，文本向量
会和当前图像
计算相关性。
Stable Diffusion完整结构
最后我们来看一下Stable Diffusion完整结构，包含文本向量表示、初始图像（随机高斯噪声）、时间embedding，如下图所示：
上图详细的展示了Stable Diffusion前向扩散和反向扩散的整个过程，我们再看一下不处理输入文字，只是单纯生成任意图像的Diffusion结构。
可以看到，不处理文字输入，生成任意图像的Diffusion模型，和Stable Diffusion相比，主要有两个地方不一样：
- 少了对输入文字的embedding过程（少了编码器
- U-Net网络少了多头Attention结构
除了Stable Diffusion之外，Midjourney最近也非常出圈，我们简单介绍下。
爆火的Midjourney
Midjourney是一款AI绘图工具，其创始人是David Holz。目前Midjourney每月的收入大概超过200万美元，用户可以通过Discord平台的newbie频道使用。Discord平台是一款游戏聊天平台，月活超过1.5亿，其中使用Midjounery的用户数已突破380万。2021年初，Discord拒绝了微软120亿美元的收购要约。本质上Discord是一个社区，Midjourney通过在Discord上创建了自己的服务器，并创建了大量的频道，以及开发了自己的机器人，来向用户提供服务。
用户可以在Midjourney首页里点击“Join the Beta”，直接会跳转到它们在Discord上的频道。
可以看到上图中显示用户数是381万，当前在线30万。用户使用Midjorney也非常简单，只需要点击主页左下方的newbie频道便可进入。
进入newbie频道后，便可以通过/imagine+提示词，让Midjourney生成图片
可以看到在输入“sunshine black hold”后生成了四张图片。
由于目前Midjourney并没有开源，因此我们并不知道其背后的技术，但是大概率还是基于Diffusion扩散模型。
总结
随着AIGC的爆火，各种应用开始不断出现，AI绘画便是其中的一个典型案例。目前最火的AI绘画模型当属Stable Diffusion，但是目前有关Stable Diffusion的文章并不多，主要偏向应用介绍，对于如何处理输入文字以及去噪过程的具体细节，这方面的文章还是比较少，写这篇文章的目的就是希望能把Stable Diffusion讲清楚，让更多人的了解。
赞赏
微信赞赏
支付宝赞赏
