从混沌中见你所见------文生图的逆向浪漫
缘起
一直以来，我都希望能拍一组日照金山的照片，向往那种巍峨雪山的寂寥与金光漫射的神圣，因缘际会一直未能如愿。看着朋友圈的AI整的手办图，咱也试试生成一个。
![]()
你别说，你还真别说，有那么点意思。
我们考虑一个问题，如何让计算机学会画画？我们可能第一时间想到人类画画的过程：
![]()
现实世界中有大量不同主体的摄影作品和美术作品，但美术作品大多不会有中间过程的披露，而摄影作品则完全没有(和我的快门说去吧)。所以，学习的出发点一定是现有的优秀作品。**人类学习通过反复练习内化技巧，计算机则是从数据中提取规律。**如果我们有一种可逆的操作，输入图片=>输出特征（学习过程），输入特征=>输出图片（工作过程），那么计算机画画的问题就解决了。
扩散
高斯噪声
对于学习过程，需要一个提取图像特征的步骤（需要可逆），换个说法就是遮蔽掉非特征的部分，这个遮蔽过程应该具备什么样的特征呢?
- 随机: 为了避免遮蔽本身对特征的影响，遮蔽需要随机（无结构、不可预测），否则最后提取的特征会包含这种遮蔽的特征。我们将随机的这种遮蔽，称为噪声（区别于"信号"）。
看到随机我们可能很自然的想到正态分布（高斯分布），自然界中的随机分布大多都是正态分布，这是中心极限定理的效用（大量独立随机因素的叠加效应，其最终结果的分布会趋于正态分布）。如果按照直觉选择标准正态分布，具体会有什么特性呢？
- 均值为0：对图像的正向和负向调节平均来看是抵消的，不会引入额外的分布特征。
- 简洁性：仅通过方差就可以调整噪声大小, 参数少更好控制。
- 稳定性：两个正态分布的和仍然是正太分布，这简化了计算，我们可以直接计算第N步的结果，不需要真的将N步完整走一遍。
- 各向同性：各个方向噪声是独立且同分布的，可以想象为一个球形，从所有方向均匀地作用于数据。这样我们在逆向过程时，不需要额外考虑噪声的方向偏好。
这种服从正态分布（高斯分布）的噪声我们称之为高斯噪声，下面展示一下高斯噪声的效果。 ![]()
我们将步数记为 t ( 1 到 T ，T 通常为 1000 ）,不同 t 对应不同的噪声水平，t = 0 时, 对应清晰图像。
$ x_t $ 记为该步数的噪声图像。
还记得我们我们的出发点吗？ 我们需要这个过程是可逆的，现在的高斯噪声可以保留图像特征，但是我们怎么记忆这种噪声规律，如何从噪声中恢复图像呢（即对带噪声的图像去掉噪声）?
UNet
我们需要"神经网络"这个工具。
神经网络的目标在从训练数据中学习模式和关系，不断调整和改进，并运用所学做出预测或决策。
如果我们将不同噪声水平的图片 $ x_t $ 、步数 t、以及图片对应的文本描述 作为训练数据，目标是预测从原始干净图片 x₀ 生成 xₜ 时添加的噪声 ε。最终就可以 预测ε 去噪还原图像。
![]()
上面的神经网络模型主要结构是 UNet 模型。在预测是生成过程中，第一步的输入 $ x_t $ 是纯噪声 图片，此时信息已经完全损失，所以我们无法一步准确推导出 ε（准确的噪声），估算出一个噪声后，应该推导出 $ x_{t-1} $，迭代这个过程，不断更新 ε，我们的信息原来越多，得到的 ε 也会越来约准确。
对于上面的多步骤的过程。每次进行一步，都只仅依赖上一步的结果，这样每次计算的成本都相同，这种过程称为马尔可夫过程。
- 马尔可夫：你只看当前所在位置 → 每步只计算局部 → 线性高效
- 非马尔可夫：你不仅看当前所在位置，还需要记得上一个位置是什么，或者是否曾经访问过某个关键地点能决定下一步 → 复杂、慢
如果你不熟悉神经网络，还需要额外注意下上面的随机加噪，这一点也很重要, 第一直觉可能是直接从小到大遍历所有噪声水平，这是不合适的：
- 效率低：如果每次训练都需要遍历 所有步骤，训练时间太长。
- 过拟合：模型可能会在某个噪声水平上"过拟合"(只会背的题了，换个新题就表现很差)，然后在下一个噪声水平上训练不稳定。
- 局部最优解：变的对不同噪声表现不敏感，而随机性可以带模型走出这个局部最优解。
这里我们已经接近 Diffusion 的核心原理了：**我们不是要直接画图，而是去掉噪声。**像是一个雕刻家一样：雕刻家仅仅是去掉石头多余的部分，把真正的形象"引出"。------米开朗基罗
Diffusion 有两个扩散过程(扩散：一点一点的变模糊或者清晰):
- 前向扩散：学习过程，即往图片中添加噪声的过程。
- 反向扩散：工作过程，即去除噪声一步一步还原为图片的过程。
到这里我们已经掌握了 Diffusion 模型的生图核心原理，下面对一些其他重要概念做简要说明。
潜空间 & VAE
图片实际上非常复杂，常见的手机照片大约是：4032×3024 像素，每个像素会有3个维度 (3个0-255的数字表示颜色RGB）。对这样大的图像直接处理成本过高，我们需要对图片进行压缩（降维），这个压缩后的空间称为潜空间。处理压缩（编码）和解压(解码) 的常见模型为VAE。
![]()
压缩比通常为 8倍（每个维度），这么高比例的压缩是一种有损压缩，损失了两部分。
- 高频细节: 如毛发边缘、物体表现的细微纹理，小的噪点等。（所以看到AI画出的衣服纹理和皮肤细节通常表现都不好，涂抹的感觉很重）
- 冗余信息: 大量重复像素， 不需要记住每一个像素的颜色，只需要知道"这里有一大片蓝色"就够。
VAE 的全程是 变分自编码器，自编码器是深度学习中的一种神经网络架构，其训练目标是通过降维来压缩（或"编码"）输入数据，然后使用该压缩表示准确重建（或"解码"）其原始输入。
![]()
VAE 和 标准自编码器的区别：
Diffusion 选择 VAE 是由于意义的潜空间表示和高质量的图像重构能力。
CLIP （文本编码器）
上面提到的所有内容和文生图还有一定距离，生成图像是怎么和我们输入的文本关联的呢？
UNet 的去噪过程的起点是一张充满噪声的无意义照片，我们需要指导 UNet 每一步降噪都向我们的提示词靠近。这种机制称为交叉注意力，区别于自主意力（关注自己的内部元素），交叉注意力是两个不同的序列建立关联关系。 交叉注意力机制就是 CLIP 和 UNet 的工作桥梁。
![]()
CLIP 从海量的图像文本对中学习图像和文本的匹配关系，这不是在教一个模型"这张图是猫，那张图是狗"，而是让匹配的图片文字对的向量在数学空间中尽可能地靠近；让不匹配的尽可能地远离。这个过程叫做对比学习。经过数亿次这样的"拉近"和"推远"的训练后，模型就建立起了一个巨大的、共享的多模态嵌入空间。
这种方式带来了CLIP 的两个核心特性：组合泛化 和零样本学习。
举个例子：假设我们的训练数据中没有斑马，CLIP 还能有效的表示斑马吗？ 一定程度上是可以的，CLIP 学会了"马"："四条腿"、"长长的脸"、"鬃毛"等特征；同样，它也从老虎、斑马鱼、条纹衬衫等图片中学到了什么是"条纹"这个视觉模式。当你给出一个从未见过的描述，比如 一匹有黑白条纹的马，文本编码器能够将这些已知词语的语义向量组合起来，在嵌入空间中创造出一个全新的、指向这个复合概念的向量。
我们这里来整理下完整的流程：
![]()
逆向的浪漫
回到我们最初的标题------"从混沌中见你所见"。这不仅仅是技术描述，更是一种哲学思考：
我们不是在创造图像，而是在引导混沌显现出它本就蕴含的可能性。
就像摄影师等待光线，雕刻家发现石中的形态，我们通过文本提示，在无数可能性中引导出符合愿景的那一个。每一次生成都是与概率的共舞，在随机性与确定性之间寻找平衡。
