新晋图像生成王者扩散模型，刚刚诞生没多久。

有关它的理论和实践都还在“野蛮生长”。

来自英伟达StyleGAN的原班作者们站了出来，尝试给出了一些设计扩散模型的窍门和准则，结果模型的质量和效率都有所改进，比如将现有ImageNet-64模型的FID分数从2.07提高到接近SOTA的1.55分。

他们这一工作成果迅速得到了业界大佬的认同。

DeepMind研究员就称赞道：这篇论文简直就是训练扩散模型的人必看，妥妥的一座金矿。

我们从以下几个方面来看StyleGAN作者们对扩散模型所做的三大贡献：

用通用框架表示扩散模型

在这部分，作者的贡献主要为从实践的角度观察模型背后的理论，重点关注出现在训练和采样阶段的“有形”对象和算法，更好地了解了组件是如何连接在一起的，以及它们在整个系统的设计中可以使用的自由度（degrees of freedom）。

精华就是下面这张表：

该表给出了在他们的框架中复现三种模型的确定变体的公式。

（这三种方法（VP、VE、iDDPM+ DDIM）不仅被广泛使用且实现了SOTA性能，还来自不同的理论基础。）

这些公式让组件之间原则上没有隐含的依赖关系，在合理范围内选择任意单个公示都可以得出一个功能模型。

随机采样和确定性采样的改进

作者的第二组贡献涉及扩散模型合成图像的采样过程。

他们确定了最佳的时间离散化（time discretization），对采样过程应用了更高阶的Runge–Kutta方法，并在三个预训练模型上评估不同的方法，分析了随机性在采样过程中的有用性。

结果在合成过程中所需的采样步骤数量显着减少，改进的采样器可以用作几个广泛使用的扩散模型的直接替代品。

先看确定性采样。用到的三个测试模型还是上面的那三个，来自不同的理论框架和模型族。

作者首先使用原始的采样器（sampler）实现测量这些模型的基线结果，然后使用表1中的公式将这些采样方法引入他们的统一框架，再进行改进。

接着根据在50000张生成图像和所有可用真实图像之间计算的FID分数来评估质量。

可以看到，原始的的确定性采样器以蓝色显示，在他们的统一框架（橙色）中重新实现这些方法会产生类似或更好的结果。

作者解释，这些差异是由于原始实现中的某些疏忽，加上作者对离散噪声级的处理更仔细造成的。

确定性采样好处虽然多，但与每一步都向图像中注入新噪声的随机采样相比，它输出的图像质量确实更差。

不过作者很好奇，假设ODE（常微分方程）和SDE（随机微分方程）在理论上恢复相同的分布，随机性的作用到底是什么？

在此他们提出了一种新的随机采样器，它将现有的高阶ODE积分器与添加和去除噪声的显式“Langevin-like ‘churn’”相结合。

最终模型性能提升显著，而且仅通过对采样器的改进，就能够让ImageNet-64模型原来的FID分数从2.07提高到1.55，接近SOTA水平。

预处理和训练

作者的第三组贡献主要为分数建模（score-modeling）神经网络的训练。

这部分继续依赖常用的网络体系结构（DDPM、NCSN），作者通过对扩散模型设置中网络的输入、输出和损失函数的预处理进行了原则性分析，得出了改进训练动态的最佳实践。

比如使用依赖于σ（noise level）的跳跃连接对神经网络进行预处理，使其能够估计y（signal）或n（noise），或介于两者之间的东西。

下表具体展示了模型彩英不同训练配置得到的FID分数。

作者从基线训练配置开始，使用确定性采样器（称为配置A），重新调整了基本超参数（配置B），并通过移除最低分辨率层，并将最高分辨率层的容量加倍来提高模型的表达能力（配置C）。

然后用预处理（配置D）替换原来的{cin，cout，cnoise，cskip}选项。这使结果基本保持不变，但VE在64×64分辨率下有很大改善。该预处理方法的主要好处不是改善FID本身，而是使训练更加稳健，从而将重点转向重新设计损失函数又不会产生不利影响。

VP和VE只在Fθ的架构上有所不同（配置E和F）。

除此之外，作者还建议改进训练期间的噪声级分布，并发现通常与GANs一起使用的无泄漏风险增强（non-leaking augmentation）操作也有利于扩散模型。

比如从上表中，我们可以看到：有条件和无条件CIFAR-10的最新FID分别达到了1.79和1.97，打破了之前的记录（1.85和2.1046）。

更多细节欢迎查看论文原文：
https://arxiv.org/abs/2206.00364

参考链接：
https://twitter.com/sedielem/status/1532466208435494930?s=12&t=Uzg6OWwe5AgXHSBrzlnFrg