#

潜在拡散モデル

潜在拡散モデルでは、オートエンコーダーを使用して画像空間と潜在空間をマッピングします。拡散モデルは潜在空間で機能するため、トレーニングがはるかに簡単になります。これは、潜在拡散モデルを用いた論文の高解像度画像合成に基づいています

。

事前にトレーニングされたオートエンコーダーを使用し、事前トレーニング済みのオートエンコーダーの潜在空間で拡散 U-Net をトレーニングします。

より単純な拡散実装については、DDPM 実装を参照してください。 $β_{t}$ スケジュールなどにも同じ表記を使います

。

α_{t}

24from typing import List
25
26import torch
27import torch.nn as nn
28
29from labml_nn.diffusion.stable_diffusion.model.autoencoder import Autoencoder
30from labml_nn.diffusion.stable_diffusion.model.clip_embedder import CLIPTextEmbedder
31from labml_nn.diffusion.stable_diffusion.model.unet import UNetModel

#

これは U-Net 周辺の空のラッパークラスです。チェックポイントの重みを明示的にマッピングする必要がないように、これを compVis/Stable-Diffusion と同じモデル構造にしておきます

。

34class DiffusionWrapper(nn.Module):

#

42    def __init__(self, diffusion_model: UNetModel):
43        super().__init__()
44        self.diffusion_model = diffusion_model

#

46    def forward(self, x: torch.Tensor, time_steps: torch.Tensor, context: torch.Tensor):
47        return self.diffusion_model(x, time_steps, context)

#

潜伏拡散モデル

これには以下のコンポーネントが含まれます。

50class LatentDiffusion(nn.Module):

#

60    model: DiffusionWrapper
61    first_stage_model: Autoencoder
62    cond_stage_model: CLIPTextEmbedder

#

unet_model $ϵ_{c ond} (x_{t}, c)$ 潜伏空間のノイズを予測するU-Netです
autoencoder はオートエンコーダです
clip_embedder CLIP 埋め込みジェネレータです
latent_scaling_factor は潜在空間のスケーリング係数です。オートエンコーダのエンコーディングは、U-Netにフィードする前にこれによってスケーリングされます
n_steps は拡散ステップの数です。 $T$
linear_start $β$ スケジュールの始まりです。
linear_end $β$ スケジュールは終了です。

64    def __init__(self,
65                 unet_model: UNetModel,
66                 autoencoder: Autoencoder,
67                 clip_embedder: CLIPTextEmbedder,
68                 latent_scaling_factor: float,
69                 n_steps: int,
70                 linear_start: float,
71                 linear_end: float,
72                 ):

#

84        super().__init__()

#

CompVis/Stable-Diffusionと同じモデル構造を保つために U-Net をラップしてください。

87        self.model = DiffusionWrapper(unet_model)

#

オートエンコーダとスケーリングファクター

89        self.first_stage_model = autoencoder
90        self.latent_scaling_factor = latent_scaling_factor

#

CLIP 埋め込みジェネレーター

92        self.cond_stage_model = clip_embedder

#

ステップ数 $T$

95        self.n_steps = n_steps

#

$β$ スケジュール

98        beta = torch.linspace(linear_start ** 0.5, linear_end ** 0.5, n_steps, dtype=torch.float64) ** 2
99        self.beta = nn.Parameter(beta.to(torch.float32), requires_grad=False)

#

$α_{t} = 1 - β_{t}$

101        alpha = 1. - beta

#

$\overset{α_{t}}{ˉ} = \prod_{s = 1}^{t} α_{s}$

103        alpha_bar = torch.cumprod(alpha, dim=0)
104        self.alpha_bar = nn.Parameter(alpha_bar.to(torch.float32), requires_grad=False)

#

モデルデバイスを取得

106    @property
107    def device(self):

#

111        return next(iter(self.model.parameters())).device

#

テキストプロンプトのリストの CLIP 埋め込みを取得する

113    def get_text_conditioning(self, prompts: List[str]):

#

117        return self.cond_stage_model(prompts)

#

画像の拡大縮小された潜在空間表現を取得

エンコーダ出力はディストリビューションです。そこからサンプリングし、スケーリング係数を掛けます

。

119    def autoencoder_encode(self, image: torch.Tensor):

#

126        return self.latent_scaling_factor * self.first_stage_model.encode(image).sample()

#

潜在表現から画像を取得

スケーリング係数でスケールダウンしてからデコードします。

128    def autoencoder_decode(self, z: torch.Tensor):

#

134        return self.first_stage_model.decode(z / self.latent_scaling_factor)

#

ノイズを予測

潜在表現、タイムステップ $x_{t}$ $t$ 、 $c$ 条件付けコンテキストを考慮してノイズを予測します。

$ϵ_{c ond} (x_{t}, c)$

136    def forward(self, x: torch.Tensor, t: torch.Tensor, context: torch.Tensor):

#

145        return self.model(x, t, context)