[总结] DDPM Diffusion模型各阶段训练和采样过程方案细节和代码逻辑汇总

算法回顾

DDPM的算法概述

我们从 Classifier-Free Diffusion Guidance 这篇文章开始。
classifier-free 引导的条件采样过程

在《Null-text Inversion for Editing Real Images using Guided Diffusion Models》 中，对Classifier-free guidance 形式化为：

简单的推断一下：
= $\omega \ast {ϵ}_{\theta }(z_t,t,C)+{ϵ}_{\theta }(z_t,t,\oslash )-\omega \ast {ϵ}_{\theta }(z_t,t,\oslash )$
= $\omega \ast ({ϵ}_{\theta }(z_t,t,C)-{ϵ}_{\theta }(z_t,t,\oslash ))+{ϵ}_{\theta }(z_t,t,\oslash )$

相当于是在${ϵ}_{\theta }(z_t,t,\oslash )$的基础上，加强了在${ϵ}_{\theta }(z_t,t,C)-{ϵ}_{\theta }(z_t,t,\oslash )$方向上的引导，可以结合下图来进行理解：

Classifier-Free Diffusion Guidance 中的这张图也表达相同的意思，模型增加分类器指导强度时发生的Inception score增加和样本多样性减少的简化表现。

框架理解

下面画图理解一下Diffuion Model 发展各个阶段的方法

DDPM

训练过程

采样过程

Text-guiled DDPM

训练过程

采样过程

Null-text guiled DDPM

训练过程

和 text guiled DDPM一致。

采样过程

项目代码

下面是论文《GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models》的代码逻辑进行梳理，code 链接：https://github.com/openai/glide-text2im/

训练过程

采样过程