前几个月AIGC可谓是大热了一把，各种高质量的生成图片层出不穷，而其中最重要的开源模型Stable Diffusion也受到了各种技术商业上的热捧，以很快的速度不断的向前迭代着。之前作为一个没有相关知识基础的小白，为了了解相关的技术知识，找了很多文章看，最后还是发现Jay Alammar的这篇文章讲的最为通俗易懂，于是决定简单翻译一下，方便更多人从零开始了解这项强大的技术。
由于原文篇幅较长，所以这里分为三篇文章进行讲解：
第一篇，也就是本篇，主要讲“是什么”的问题，包括Stable Diffusion是什么，里面的各个模块是什么第二篇，主要讲“怎么办”的问题，也就是Diffusion怎么训练以及怎么使用的问题。第三篇，主要讲“如何控制”的问题，具体阐述语义信息到底是怎么影响生成图片的过程的。
接下来正式进入第一篇的介绍，谈谈Stable Diffusion是什么，以及里面的一些模块是什么的问题。
AI图像生成最近所展现出的潜力可谓是让人大开眼界，它能够从一些简单的文字描述开始，变魔法一般的变出高质量的图片。不用说，这已然深刻的拓宽了人类创作艺术的方式。而其中，Stable Diffusion的公布算是一个里程碑事件了，它的开源不仅仅意味着面向大众群体公开了一个极高质量的模型，与此同时这个模型甚至能保持很快的运行速度和较低的显存需求，不可谓不厉害。
用过了Diffusion这个神奇的技术后，你可能会好奇它到底为什么能有如此好的效果，这里将给出一个尽量简单直白的解释。
Stable Diffusion模型确实是多才多艺的，它可以出色的完成很多任务，比如文生图，图生图，特定角色的刻画，甚至超分或者Inpainting，但作为最基础的一篇介绍，这里我们首先就着重讲解最基础的“文生图”模块，也就是txt2img部分。下图是一个基本的文生图展示，输入是“天堂(paradise)、广袤的(cosmic)、海滩(beach)”，可以看到最右边的生成图片很好的符合了输入的要求，图中不仅有蓝天白云，广阔的海滩也一望无际：
最最简单的txt2img示意图，之后我们会不断细化和分解这张图里txt2img的过程
虽然本文暂时还没讲到图生图模块（也就是所谓的img2img），但这个模块的示意图我们也暂时放一下，如下图所示，这次的输入从单纯的“文字”变成了“图片+文字”的形式，生成的结果是由原始图片和文字提示词共同决定的。这次输入是”海盗船(pirate ship)”和上面img2img生成的图片，最后输出的结果也确实把输入图片的帆船变成了海盗船
img2img示意图，输入是"海盗船(pirate ship)"，最后输出的结果也确实把输入图片的帆船变成了海盗船
现在，让我们正式开始了解这项技术背后的原理吧。
一、组成模块
Stable Diffusion其实是个比较杂合的系统，里面有着各种各样的模型模块。那首先映入眼帘的问题是，怎么把人类理解的文字转换为机器理解的数学语言，毕竟计算机是不懂英文的嘛。这个时候就需要一个text understander帮忙转化。在生成图像前，下图中蓝蓝的text understander先把文字转换成某种计算机能理解的数学表示：
蓝蓝的text understander（也就是一个文字的encoder编码器）把人类语言转换成计算机能理解的语义内容
我们后续在第三篇中会讲到这个text understander到底是怎么理解文字和怎么训练的，但现在暂时让我略过这一部分内容，我们只要知道这个text understander是个特别的Transformer语言模型就好了。它的输入是人类语言，输出是一系列的向量，这些向量的语义对应着我们输入的文字。
那么现在，有了可以代表语义的向量（就比如下面的蓝色3*5方格），我们就把这个语义向量交给真正的图片生成器了，也即下图中粉粉的Image Generator。
蓝色方格的语义向量被输入到粉色的图片生成器中，正式开始生成图片
这个粉色的图片生成器（Image Generator）可以分解成两个子模块来看
1，图片信息生成器
这个下图中粉色的模块是Stable Diffusion的秘密武器，也是Stable Diffusion和其他diffusion模型最大的区别，很多性能上的提升就来源于此。
首先，最需要明确的一点：图片信息生成器不直接生成图片，而是生成的较低维度的图片信息，也就是所谓的隐空间信息(information of latent space)。这个隐空间信息在下面的流程图中表现为那个粉色的4*3的方格，后续再将下图中这个隐空间信息输入到下图中黄色的Decoder里，就可以成功生成图片了。Stable Diffusion主要引用的论文“latent diffusion”中的latent也是来源于隐变量中的“隐”(latent)。
一般的diffusion模型都是直接生成图片，并不会有先生成隐变量的过程，所以普通的diffusion在这一步上需要生成的信息更多，负荷也更大。因而之前的diffusion模型在速度上和资源利用上都比不过Stable Diffusion。那技术上来说，这个图片隐变量到底是怎么生成的呢？这其实是由一个Unet和一个Schedule算法共同完成的。schedule算法控制生成的进度，unet就具体去一步一步地执行生成的过程。Stable Diffusion中，整个unet的生成迭代过程大概要重复50~100次，隐变量的质量也在这个迭代的过程中不断的变得更好。下图中粉色的Image Information Creator左下角的循环标志也正是象征着这个迭代的过程。
2，图片解码器
图片解码器也就是我们上面说的decoder，它从图片信息生成器（Image Information Creator）中接过图片信息的隐变量，将其升维放大(upscale)，还原成一张完整的图片。图片解码器只在最后的阶段起作用，也是我们真正能获得一张图片的最终过程。
上面粗略的聊了一下Stable Diffusion每个模块的功能，下面我们来更具体的了解一下这个系统中输入输出的向量形状，这样的话对Stable Diffusion的工作原理应该能有更直观的认识：
Text Encoder （蓝色模块） 功能：将人类语言转换成机器能理解的数学向量 输入：人类语言 输出：语义向量（77,768）Image Information Creator （粉色模块） 功能：结合语义向量，从纯噪声开始逐步去除噪声，生成图片信息隐变量 输入：噪声隐变量(4,64,64)+语义向量（77,768） 输出：去噪的隐变量(4,64,64)Image Decoder 功能：将图片信息隐变量转换为一张真正的图片。 输入：去噪的隐变量(4,64,64) 输出：一张真正的图片(3,512,512)
大概流程中的向量形状变化就是这样，至于语义向量的形状为什么是奇怪的（77,768）的形状，我们后面讲到Text Encoder里面的CLIP模型的时候还会讲到，这里就暂且按下不表。
二、扩散(Diffusion)到底是什么意思？
Diffusion模型，翻译成中文也就是扩散模型，那这个扩散到底体现在什么地方呢？这就是我们这第二部分着重要描述的过程。首先我们先用random函数生成一个隐变量大小的纯噪声【下图中左下透明4*4】。而扩散的过程发生在Image Information Creator中，有了初始的纯噪声【下图中左下透明4*4】+语义向量【下图左上蓝色3*5】后，unet会结合语义向量不断的去除纯噪声隐变量中的噪声，重复50~100次左右就完全去除了噪声，同时不断的向隐变量中注入语义信息，我们就得到了一个有语义的隐变量【下图粉色4*4】。 别忘了我们还有一个scheduler，它就用来控制unet去噪的强度，以统筹整个去噪的过程。scheduler可以在去噪的不同阶段中动态地调整去噪强度，也可以在某些特殊的任务里，匀速地去除噪声，这都取决于我们一开始的设计。
这个扩散过程是一步一步迭代去噪的，每一步都向隐变量中注入语义信息，不断重复直到去噪完成为止。为了有个直观的认识，我们可以把初始的纯噪声【下图左上透明4*4】和最后的去噪隐变量【下图右上粉色4*4】都通过最后的Image Decoder，看看会出来什么样的图片。不出意料，纯噪声本身没有任何有效信息，解码出来的图片也会是纯噪声，如下图左侧所示。而最后的去噪隐变量由于已经耦合了语义信息，因此最后解码出来的也是一张包含语义信息的有效图片，如下图右侧图片所示。
刚才我们也提到过，扩散过程是一个多次迭代的过程。每一步迭代的输入都是一个隐变量，输出也是一个隐变量，只不过输出的这个隐变量噪声更少，并且语义信息更多。下图中4*4的隐变量不断从透明变粉的过程就代表了这个迭代的过程，颜色越粉，迭代次数越多，噪声也就越少。
这个时候我们再偷偷用Image Decoder提前看一下每一步所对应的图片，就会看到我们想要的图片一步一步地脱胎于噪声的全过程：
这是一个神奇的过程，下面的视频展示了迭代去噪的全过程，我们可以看一下视频的展示：
三、总结
至此，我们已经了解了Stable Diffusion是什么，以及其中的种种模块是什么，甚至还简单的窥视了一下它的工作过程。至于为什么Diffusion如何训练、如何控制，鉴于篇幅原因，就容我放到后文中再去细讲了。这里最后再简单做一下总结：
第一部分介绍了一些Stable Diffusion中的主要模块——包括一个Text Understander处理语义信息，一个Image Information Creator生成图片的隐变量，一个Image Decoder利用隐变量生成真正的图片。其次还介绍了一下Diffusion生成图片的流程——包括向量形状在系统中经历的一系列变化，以及各个阶段图片隐变量解码后的可视化。
最后的最后，码字不易，喜欢的话可以点个赞或者收藏，作者会很开心的。后续作者也会更新更多关于深度学习领域的内容，感兴趣的话也可以关注一下哦～
相关文章
