GLIDE 学习笔记
GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models
项目：openai/glide-text2im: GLIDE: a diffusion-based text-conditional image synthesis model
GLIDE 2021年12月OpenAI的工作 ，面向逼真图片生成和文字引导的扩散模型编辑图片，由于目前最火的DALLE 2 就是CLIP和GLIDE的结合，今天我们来了解一下GLIDE，在学习之前，还是老规矩，我们还是动手玩一下，在github项目上有官方小模型使用colab notebook进行玩耍。下面我也自己尝试一下效果。
Playground
GLIDE中有两个任务，一个是Text-Conditional Image Generation，另一个是 Image Inpainting 下面基于官方给的notebook代码跑了个玩具看看效果。
-
根据文字提示生成图片，我的代码地址：text2image_glide(github.com)
下面是其中一组例子
-
inpaint 上传图片并mask部分区域，并根据文字提示内容进行还原编辑图片
我的项目地址：Inpaint_glide(github.com)
效果展示:
原图：
然后进行mask下面一部分，然后进行基于文本提示生成图片的结果：
第二个图片本来想拼写dog，结果打错了，啥也出来，至于第三个图片girl我就很懵逼，这也行，原来训练集是不是对girl有什么误解，我吐了。
原理
GLIDE主要使用扩散模型的方式来进行图片生成，近年来的图片生成方法有GAN，VAE, 基于流，扩散模型，扩散模型被证明图片生成有很大潜力，特别是与引导结合来兼顾保真度和多样性。
扩散模型
扩散模型简单来说就是从图片缓慢扩散得到高斯噪音，然后从高斯噪音逐步到图片信号的逆向过程，这里先简单介绍一下经典的扩散模型DDPM （Denoising Diffusion Probabilistic Model)
DDPM
逆向过程：从一张随机高斯噪音，逐步去噪，整个过程是一个马尔科夫链，根据输入，预测高斯分布的均值方差，然后进行采样得到x，不断采样预测，最后得到真实图片。
正向过程：从图片到高斯噪音，固定的马尔可夫链形势，逐步添加高斯噪音，我们可以得到任意噪音程度的图片，方便训练。
训练过程：使用一个U-Net结构的Autoencoder模型进行对噪音预测，然后根据预测值计算均值方差，进行采样生成图片。
Guided Diffusion
基于类别的扩散模型，基于DDPM模型，在逆向过程中，加入分类器，对采样生成图片进行分类，然后计算交叉熵损失梯度，通过梯度向下传导，来控制采样方向与类别相关.
Semantic Guidence Diffusion
扩散模型通过类别引导类似于图片优化问题，所以类似的提出了使用语义引导，即文本语义和图片语义进行引导。
文本语义引导：这里主要使用CLIP来计算文本和采样生成图片相似度损失梯度，进行引导采样图片生成
图片语义引导：希望生成与引导图片类似的图片，这里可以分为图片内容引导，即使用CLIP图片特征进行计算相似度，图片结构引导，使用encoder的空间特征分布，图片风格引导，基于Gram矩阵进行计算损失。
混合引导 ：通过将上述引导函数以一定比例加起来，可以基于多种条件进行生成。
Classifier-Free Diffusion Guidence
无分类器的扩散引导，基于DDPM模型通过估计噪音估计来计算高斯分布均值，在这里，使用额外条件进行噪音估计，即将分类引导加入到噪音估计模型中，但每次不同引导类型都需要重新训练扩散模型。
本文GLIDE的工作就是通过no-classifier guidence来引导扩散模型来生成图片，如下公式为文本类别引导条件
总结
本文是OpenAI，使用已经有的方法Classifier-Free 扩散引导，来完成文本引导图片生成任务，数据集使用DALLE相同数据集，参数量35亿，比DALLE小（120亿）小，同时效果较好一些，出来classifier-free，也使用了clip-noise模型进行扩散引导，但效果较这个差一点.至于Limiations，就是速度很慢，在A100 GPU下生成一张图片至少15s
参考
文章出处登录后可见！
