生成式模型统一视角(1)

生成式模型统一视角-ELBO

生成式模型的作用-intro

​ 给定从某个分布中抽取的观察样本xx,生成模型的目标是学习并模拟这个分布的真实数据分布 p(x)p(x)。这里的真实数据分布是指生成这些样本的原始概率分布。生成模型通过学习训练数据中的模式来近似这个真实的分布(注意这只是对于绝大部分的基于概率的模型)

​ 一旦模型学会了如何近似真实的数据分布,我们就可以使用这个模型生成新的样本。这意味着我们可以根据学到的分布规律创造出新的数据点,这些新数据点应该与训练集中的数据具有相似的特征或属性。这对于诸如图像生成、文本创作等任务非常有用

总的来说,生成式模型可以分为以下几类:

  1. likelihood based model(基于似然性的生成模型):
    • 目标是学习一个能为观察到的数据样本分配高似然值的模型
    • 主要包括:自回归模型(Autoregressive Models),正态流(Normalizing Flows)变分自编码器(Variational Autoencoders, VAEs)
  2. energy based model(基于能量的模型):
    • 学习一个灵活的能量函数,该函数随后被标准化以形成分布
    • 这种方法与基于似然性的模型有相似之处,但侧重点在于能量函数的学习
  3. score based model(基于得分的生成模型):
    • 与基于能量的模型高度相关,但不是直接学习能量函数本身,而是学习能量模型的得分(即梯度)作为神经网络
    • 得分模型通常用于指导样本生成过程,通过调整样本使其更符合目标分布
  4. 特殊的 diffusion model 和 GAN,后面我们会从似然和分数的角度看 diffusion model

前置公式:

Ep(x)logp(x)q(x)=p(x)logp(x)q(x)dx=DKL(p(x)q(x))p(xy)=p(yx)p(x)p(y)\mathbb{E}_{p(x)}\log\frac{p(x)}{q(x)}=\int p(x) \log \frac{p(x)}{q(x)}dx = D_{KL}(p(x)||q(x)) \\ p(x|y)=\frac{p(y|x)p(x)}{p(y)}

前置知识:ELBO

​ 对于许多模态,我们可以将我们观察到的数据视为由一个相关的未见潜在变量(latent variable)表示或生成的,这个潜在变量可以用随机变量z\boldsymbol{z} 表示(但不是无论什么样的 zz 都有意义)

​ 为什么生成低维的潜在表示而不是高维的表示呢?柏拉图的洞穴寓言中,居民只能看到三维物体的二维投影,但可以通过这些投影推理出三维物体的性质。类似地,我们可以通过观察到的数据来近似潜在的高层次表示。但是对于生成式模型,学习高维潜在表示通常是徒劳的,除非有很强的先验知识。这是因为高维潜在空间中的大部分信息可能是冗余的或无关的,同时低维潜在表示可以看作是一种数据压缩技术,有助于减少冗余信息。

  • 低维潜在表示能够揭示出描述观察数据的语义上有意义的结构,帮助生成新的数据样本并理解数据的本质特征

ELBO(evidence lower bound):

​ 在生成模型中,我们通常考虑观察数据x\boldsymbol{x} 和潜在变量 z\boldsymbol{z} 的联合分布 p(x,z)p(\boldsymbol{x,z})。这个联合分布描述了数据 x\boldsymbol{x} 和潜在变量 z\boldsymbol{z} 同时出现的概率。生成模型的一个常见目标是学习一个模型,使得观察数据 x\boldsymbol{x} 的似然 p(x)p(\boldsymbol{x}) 最大化。称为“基于似然性的生成模型”(likelihood-based generative model)

为了从联合分布p(x,z)p(\boldsymbol{x,z}) 中恢复仅依赖于观察数据 x\boldsymbol{x} 的似然 p(x)p(\boldsymbol{x}),我们有两种主要方法:

  • p(x)=p(x,z)dzp(\boldsymbol{x})=\int p(\boldsymbol{x,z})d\boldsymbol{z}

  • p(x)=p(x,z)p(zx)p(\boldsymbol{x})=\frac{p(\boldsymbol{x,z})}{p(\boldsymbol{z| x})}

    我们的目标是最大化x\boldsymbol{x} 的对数似然函数 maxlogp(x)\max\log p(\boldsymbol{x}),但是直接从上面两个式子去优化都存在很大的问题:

  • 使用 p(x)=p(x,z)dzp(\boldsymbol{x})=\int p(\boldsymbol{x,z})d\boldsymbol{z} 涉及到对隐变量空间的积分,这是很难做到的,我们并不知道隐变量的分布和联合概率的分布

  • 使用 p(x)=p(x,z)p(zx)p(\boldsymbol{x})=\frac{p(\boldsymbol{x,z})}{p(\boldsymbol{z| x})} 需要我们知道 p(zx)p(\boldsymbol{z|x}) 这个似然概率

因此我们目标转变为最大化证据下界,下面我们去证明优化这个式子是合理的:

ELBO=Eqϕ(zx)[logp(x,z)qϕ(zx)]ELBO=\mathbb{E}_{q_\phi(\boldsymbol{z|x})}\left[\log \frac{p(\boldsymbol{x,z})}{q_\boldsymbol{\phi}(z|x)} \right]

ELBO就是对数似然的下界:

\begin{align} \log p(\boldsymbol{x}) &=\log \int p(\boldsymbol{x,z})d\boldsymbol{z} \\ &=\log \int \frac{p(\boldsymbol{x,z})q_\phi (\boldsymbol{z|x})}{q_\phi (\boldsymbol{z|x})}d\boldsymbol{z} \\ &=\log \mathbb{E}_{q_\phi(z|x)} \left[ \frac{p(\boldsymbol{x,z})}{q_\phi (\boldsymbol{z|x})} \right] \\ &\ge \mathbb{E}_{q_\phi(z|x)}\left[ \log \frac{p(\boldsymbol{x,z})}{q_\phi (\boldsymbol{z|x})}\right] \end {align}

ELBO是对数似然的下确界:

\begin{align} \log p(\boldsymbol{x}) &=\int q_\phi(\boldsymbol{z|x})\log p(\boldsymbol{x})dz \\ &=\mathbb{E}_{q_\phi(z|x)} \left[ \log p(\boldsymbol{x})\right] \\ &=\mathbb{E}_{q_\phi(z|x)} \left[ \log \frac{p(\boldsymbol{x,z})}{p(\boldsymbol{z|x})}\right] \\ &=\mathbb{E}_{q_\phi(z|x))} \left[ \log \frac{p(\boldsymbol{x,z}) q_{\phi}(\boldsymbol{z|x})}{p(\boldsymbol{z|x}) q_{\phi}(\boldsymbol{z|x})}\right] \\ &=\mathbb{E}_{q_\phi(z|x)} \left[ \log \frac{p(\boldsymbol{x,z}) }{ q_{\phi}(\boldsymbol{z|x})}\right] + \mathbb{E}_{q_\phi(\boldsymbol{z|x})} \left[ \frac{q_{\phi} (\boldsymbol{z|x})}{p(\boldsymbol{z|x})} \right]\\ &=\mathbb{E}_{q_\phi(z|x)} \left[ \log \frac{p(\boldsymbol{x,z}) }{ q_{\phi}(\boldsymbol{z|x})}\right] + D_{KL}(q_\phi (\boldsymbol{z|x})\ \| \ p(\boldsymbol{z|x}))\\ &\ge \mathbb{E}_{q_\phi(z|x)} \left[ \log \frac{p(\boldsymbol{x,z}) }{ q_\phi(\boldsymbol{z|x})}\right] \end{align}

qϕ(zx)q_\phi(\boldsymbol{z|x}) 代表近似变分分布,p(zx)p(\boldsymbol{z|x}) 代表真实似然分布,KL 散度的大小代表着我们模型的拟合能力,KL 散度越接近于 0,说明我们的模型拟合真实的先验概率越好,因此我们证明了 ELBO 是对数似然的下确界。在模型拟合能力足够强的时候,KL 散度近似为 0,ELBO 就非常接近数据的似然,数据的对数似然概率是固定的,我们优化 ELBO 的时候,KL 散度也会变小趋向于 0,这样我们可以同时让 ELBO 趋于 logp(x)\log p(\boldsymbol{x}),就可以同时达到优化目标

在完全拟合时,ELBO等价与对数似然

Epϕ(zx)logp(x,z)pϕ(zx)=Epϕ(zx)logp(zx)p(x)pϕ(zx)Epϕ(zx)logp(x)=logp(x)\mathbb{E}_{p_\phi(z|x)}\log \frac{p(\boldsymbol{x,z})}{p_\phi(\boldsymbol{z|x})} = \mathbb{E}_{p_\phi(z|x)}\log \frac{p(\boldsymbol{z|x})p(\boldsymbol{x})}{p_\phi(\boldsymbol{z|x})}\\ \sim \mathbb{E}_{p_\phi(z|x)}\log p(\boldsymbol{x}) = \log p(\boldsymbol{x})

Variational Autoencoder

VAE

​ 在 VAE 中,我们的训练目标是在最大化数据的对数似然的同时,保持潜在空间的平滑性和连续性。因此同样使用了 ELBO 为目标函数进行优化,使用了变分推理的技巧:

Eqϕ(zx)[logp(x,z)qϕ(zx)]=Eqϕ(zx)[logpθ(xz)p(z)qϕ(zx)]=Eqϕ(zx)[logpθ(xz)]reconstruction termDKL(qϕ(zx)p(z))prior matching term\mathbb{E}_{q_\phi(\boldsymbol{z\mid x})}\left[\log \frac{p(\boldsymbol{x,z})}{q_\phi(z|x)} \right]=E_{q_\phi(\boldsymbol{z|x})}\left[\log \frac{p_\theta(\boldsymbol{x|z})p(\boldsymbol{z})}{q_\phi(\boldsymbol{z|x})} \right] \\ =\underbrace{\mathbb{E}_{q_\phi(\boldsymbol{z\mid x})}\left[\log p_\theta(\boldsymbol{x|z}) \right]}_\text{reconstruction term} - \underbrace{D_{KL}(q_\phi (\boldsymbol{z|x}) || p(\boldsymbol{z}))}_\text{prior matching term}

  • Eqϕ(zx)[logpθ(xz)]\mathbb{E}_{q_\phi(\boldsymbol{z| x})}\left[\log p_\theta(\boldsymbol{x|z}) \right] 为 reconstruction item,代表我们从隐变量空间里面将 z\boldsymbol{z} 还原回原变量的概率期望,考虑为什么不使用 zz 的概率而是用条件概率,因为这个重建是依赖于输入的,即不使用 E[logpθ(xz)]\mathbb{E}[\log p_\theta (\boldsymbol{x|z})]
  • DKL(qϕ(xz)  p(z))D_{KL}(q_\phi (\boldsymbol{x|z}) \ \| \ p(\boldsymbol{z})) 为 prior matching term(先验匹配项),它度量着是我们所学到的似然分布能够保持多少的匹配信息(p(z)p(\boldsymbol{z}) 为真实的分布)

​ 因此 VAE 的优化目标转化为最大化 reconstruction item 和最小化 prior matching item,我们假设隐变量为高斯分布(VAE 本身就是要将隐变量的分布给正规化的),设:

Posterior Distribution:qϕ(zx)=N(z;μϕ(x),σϕ2(x)I)Prior Distribution:p(z)=N(z;0,I)\text{Posterior Distribution:}\quad q_\phi (\boldsymbol{z|x}) = \mathcal{N}(\boldsymbol{z;\mu_\phi (x),\sigma_\phi^2(x)I}) \\ \text{Prior Distribution:}\quad p(\boldsymbol{z}) = \mathcal{N}(\boldsymbol{z;0,I})

  1. 如果使用蒙特卡洛方法,优化目标可以表示为:

argmaxϕ,θEqϕ(zx)[logpθ(xz)]DKL(qϕ(xz)  p(z))argmaxϕ,θl=1Llogpθ(xz(l))DKL(qϕ(xz)  p(z)){\arg \max}_{\phi, \theta} \mathbb{E}_{q_{\boldsymbol{\phi}}(\boldsymbol{z| x})}\left[\log p_\theta(\boldsymbol{x|z}) \right] - D_{KL}(q_\phi (\boldsymbol{x|z}) \ \| \ p(\boldsymbol{z})) \\ \approx {\arg \max}_{\phi, \theta} \sum_{l=1}^L \log p_\theta(\boldsymbol{x|z}^{(l)}) - D_{KL}(q_\phi (\boldsymbol{x|z}) \ \| \ p(\boldsymbol{z}))

  • {z(l)}l=1L\{\boldsymbol{z}^{(l)}\}_{l=1}^L 是从 qϕ(xz)q_\phi(\boldsymbol{x|z}) 中随机采样出来的样本 ,但是这带来了一个问题,由于采样过程是随机的,这样梯度下降的梯度链就断掉了,我们就不能再使用梯度下降来优化了
  1. 使用重参数化技巧,把随机采样的变量表示为噪声变量的确定函数(epsilon 的梯度不需要计算,应为他根本不是模型的参数):

xN(x;μ,σ2)x=μ+σϵϵN(ϵ;0,I)For VAE:z=μϕ(x)+σϕ(x)ϵx \sim \mathcal{N}(x;\mu, \sigma^2) \Rightarrow x=\mu + \sigma_\epsilon \quad \epsilon \sim \mathcal{N}(\epsilon;\boldsymbol{0,I})\\ \text{For VAE:} \quad \boldsymbol{z}=\boldsymbol{\mu_\phi(x)}+\boldsymbol{\sigma_\phi(x)} \odot \boldsymbol{\epsilon}

Hierarchical Variational Autoencoder

​ 层次变分自编码器(Hierarchical Variational Autoencoder, HVAE)是一种 VAE 的扩展,它可以处理多层潜在变量。在这种框架下,潜在变量本身被解释为由更高层次、更为抽象的潜在变量生成。

HVAE

​ 在一般的 HVAE 中,每个潜在变量可以依赖于所有先前的潜在变量,在本文中,我们只专注于一个特殊情况:马尔可夫层次变分自编码器(Markovian Hierarchical Variational Autoencoder, MHVAE)。在 MHVAE 中,生成过程是一个马尔可夫链;也就是说,沿着层次结构的每一步转换都是马尔可夫性的,其中每个潜在变量 zt\boldsymbol{z}_t 只从其前一个潜在变量 zt+1\boldsymbol{z}_{t+1} 生成,MHVAE 的潜在和先验分布为:

p(x,z1:T)=p(zT)pθ(xz1)t=2Tpθ(zt1zt)qϕ(z1:Tx)=qϕ(z1x)t=2Tqϕ(ztzt1)p(\boldsymbol{x,z}_{1:T})=p(\boldsymbol{z}_T)p_\theta(\boldsymbol{x|z_1}) \prod_{t=2}^{T}p_\theta(\boldsymbol{z_{t-1}|z_t})\\ q_\phi(\boldsymbol{z_{1:T}|x})=q_\phi(\boldsymbol{z_1|x}) \prod_{t=2}^{T}q_\phi(\boldsymbol{z_t|z_{t-1}})

ELBO 可以拓展概念为:

\begin{align} \log p(\boldsymbol{x})= &\log \int p(\boldsymbol{x,z_{1:T}})d\boldsymbol {z_{1:T}}=\log \int\frac{p(\boldsymbol{x,z_{1:T}})q_\phi(\boldsymbol{z_{1:T}|x})}{q_\phi(\boldsymbol{z_{1:T}|x})}d \boldsymbol{z_{1:T}}\\ &=\log\mathbb{E}_{q_\phi(\boldsymbol{z_{1:T}|x})}\left[\frac{p(\boldsymbol{x,z_{1:T}})}{q_\phi(\boldsymbol{z_{1:T}|x})}\right]\\ &\geq\mathbb{E}_{q_\phi(\boldsymbol{z_{1:T}|x})}\left[\log\frac{p(\boldsymbol{x,z_{1:T}})}{q_\phi(\boldsymbol{z_{1:T}|x})}\right] \end{align}

再使用 MHVAE 的性质:

Eqϕ(z1:Tx)[logp(x,z1:T)qϕ(z1:Tx)]=Eqϕ(z1:Tx)[logp(zT)pθ(xz1)t=2Tpθ(zt1zt)qϕ(z1x)t=2Tqϕ(ztzt1)]\mathbb{E}_{q_\phi(z_{1:T}|x)}\left[\log\frac{p(\boldsymbol{x,z_{1:T}})}{q_\phi(\boldsymbol{z_{1:T}|x})}\right]=\mathbb{E}_{q_\phi(z_{1:T}|x)}\left[\log\frac{p(z_{T})p_{\theta}(\boldsymbol{x|z_1})\prod_{t=2}^{T}p_{\theta}(z_{t-1}|z_{t})}{q_\phi(\boldsymbol{z_1|x})\prod_{t=2}^{T}q_{\phi}(z_{t}|z_{t-1})}\right]

Variational Diffusion Models

VDM

​ 对于 VDM 模型,它的潜变量之间的关系和 MHVAE 十分相似,马尔科夫性保证了:

q(xtx0:t1)=q(xtxt1)q(x1:Tx0)=q(x1x0)q(x2x0,x1)q(xTx0,x1,,xT1)=q(x1x0)q(x2x1)q(xTxT1)q(\boldsymbol{x_t|x_{0:t-1}})=q(\boldsymbol{x_t|x_{t-1}}) \\ \Rightarrow q(\boldsymbol{x_{1:T}|x_0}) = q(\boldsymbol{x_1|x_0}) \cdot q(\boldsymbol{x_2|x_0,x_1}) \dots q(\boldsymbol{x_T|x_0,x_1, \dots, x_{T-1}}) \\ =q(\boldsymbol{x_1|x_0}) \cdot q(\boldsymbol{x_2|x_1}) \dots q(\boldsymbol{x_T|x_{T-1}})

​ 其他的只是过程从 encode-decode 变成了 noise-denoise,我们记真实样本照片为 x0\boldsymbol{x}_0,在多次加噪过程中产生的噪声图片依次记为 x1,,xT\boldsymbol{x}_1, \dots, \boldsymbol{x}_T,我们再给模型加上一些约束:

q(x1:Tx0)=t=1Tq(xtxt1)q(xtxt1)=N(xt;αtxt1,(1αt)I)p(x0:T)=p(xT)t=1Tpθ(xt1xt)p(xT)=N(xT;0,I)q(\boldsymbol{x}_{1:T}|\boldsymbol{x}_{0})=\prod_{t=1}^{T}q(\boldsymbol{x}_{t}|\boldsymbol{x}_{t-1}) \\ q(\boldsymbol{x}_{t}|\boldsymbol{x}_{t-1})=\mathcal{N}(\boldsymbol{x}_{t};\sqrt{\alpha_{t}}\boldsymbol{x}_{t-1},(1-\alpha_{t})\mathbf{I}) \\ p(\boldsymbol{x}_{0:T})=p(\boldsymbol{x}_{T})\prod_{t=1}^{T}p_{\boldsymbol{\theta}}(\boldsymbol{x}_{t-1}|\boldsymbol{x}_{t}) \\ p(\boldsymbol{x}_{T})=\mathcal{N}(\boldsymbol{x}_{T};\mathbf{0},\mathbf{I})

约束条件分析:

  • q(xtxt1)=N(xt;αtxt1,(1αt)I)q(\boldsymbol{x}_{t}|\boldsymbol{x}_{t-1})=\mathcal{N}(\boldsymbol{x}_{t};\sqrt{\alpha_{t}}\boldsymbol{x}_{t-1},(1-\alpha_{t})\mathbf{I}) 的协方差矩阵为方阵意味着在不同维度之间的噪声是不相关的,即各个维度上的噪声是独立的

​ 和 HVAE 不同的是,VDM 是不需要学加噪过程的,即 encoder 的参数是不需要学习的,我们只需要关心去噪的过程,因此下面我们的 pp 就不带下标,而 qq 带有下标

​ 在下面的公式中,由于每一步的加噪过程是需要学习的,因此将涉及到 tt 时刻的分布和 t+1t +1 条件概率是带有下标 θ\theta 的,其他情况不带代表着模型不直接学习这个过程的参数(去噪过程暂时不写下标,因为去噪过程后面讨论)

​ 和 HVAE 相似,VDM 可以通过最大化 ELBO 来优化模型:

logp(x)=logp(x0:T)dx1:T=logp(x0:T)q(x1:Tx0)q(x1:Tx0)dx1:T=logEq(x1:Tx0)p(x0:T)q(x1:Tx0)Eq(x1:Tx0)[logp(x0:T)q(x1:Tx0)]=Eq(x1:Tx0)[logp(xT)t=1Tpθ(xt1xt)t=1Tq(xtxt1)]=Eq(x1:Tx0)[logp(xT)pθ(x0x1)t=2Tpθ(xt1xt)q(xTxT1)t=1T1q(xtxt1)]=Eq(x1:Tx0)[logp(xT)pθ(x0x1)t=1T1pθ(xtxt+1)q(xTxT1)t=1T1q(xtxt1)]=Eq(x1:Tx0)[logp(xT)pθ(x0x1)q(xTxT1)]+Eq(x1:Tx0)[logt=1T1pθ(xtxt+1)q(xtxt1)]=Eq(x1:Tx0)[logpθ(x0x1)]+Eq(x1:Tx0)[logp(xT)q(xTxT1)]+Eq(x1:Tx0)[t=1T1logpθ(xtxt+1)q(xtxt1)]=Eq(x1:Tx0)[logpθ(x0x1)]+Eq(x1:Tx0)[logp(xT)q(xTxT1)]+t=1T1Eq(x1:Tx0)[logpθ(xtxt+1)q(xtxt1)]=Eq(x1x0)[logpθ(x0x1)]+Eq(xT1,xTx0)[logp(xT)q(xTxT1)]+t=1T1Eq(xt1,xt,xt+1x0)[logpθ(xtxt+1)q(xtxt1)]=Eq(x1x0)[logpθ(x0x1)]reconstruction termEq(xT1x0)[DKL(q(xTxT1)p(xT))]prior matching termt=1T1Eq(xt1,xt+1x0)[DKL(q(xtxt1)pθ(xtxt+1))]consistency term\begin{aligned} \log p(\boldsymbol{x})& =\log \int p(\boldsymbol{x}_{0:T})d\boldsymbol{x}_{1:T} \\ &=\log\int\frac{p(\boldsymbol{x}_{0:T})q(\boldsymbol{x}_{1:T}|\boldsymbol{x}_0)}{q(\boldsymbol{x}_{1:T}|\boldsymbol{x}_{0})}d\boldsymbol{x}_{1:T} \\ &=\log\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0)}} \frac{p(\boldsymbol{x}_{0:T})}{q(\boldsymbol{x_{1:T}|x_0})} \\ &\geq\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0)}}\left[\log\frac{p(\boldsymbol{x}_{0:T})}{q(\boldsymbol{x_{1:T}|x_0)}}\right] \\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log\frac{p(\boldsymbol{x}_T)\prod_{t=1}^Tp_\theta(\boldsymbol{x_{t-1}|x_t})}{\prod_{t=1}^Tq(\boldsymbol{x_t|x_{t-1}})}\right] \\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log\frac{p(\boldsymbol{x}_T)p_\theta(\boldsymbol{x_0|x_1})\prod_{t=2}^Tp_\theta(\boldsymbol{x_{t-1}|x_t)}}{q(\boldsymbol{x_T|x_{T-1}})\prod_{t=1}^{T-1}q(\boldsymbol{x_t|x_{t-1}})}\right] \\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0)}}\left[\log\frac{p(\boldsymbol{x}_T)p_\theta(\boldsymbol{x_0|x_1})\prod_{t=1}^{T-1}p_\theta(\boldsymbol{x_t|x_{t+1}})}{q(\boldsymbol{x_T|x_{T-1}})\prod_{t=1}^{T-1}q(\boldsymbol{x_t|x_{t-1}})}\right] \\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log\frac{p(\boldsymbol{x}_T)p_\theta(\boldsymbol{x_0|x_1)}}{q(\boldsymbol{x_T|x_{T-1}})}\right]+\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log \prod_{t=1}^{T-1}\frac{p_\theta(\boldsymbol{x_t|x_{t+1}})}{q(\boldsymbol{x_t|x_{t-1}})}\right] \\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log p_\theta(\boldsymbol{x_0|x_1})\right]+\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0)}}\left[\log\frac{p(\boldsymbol{x}_T)}{q(\boldsymbol{x_T|x_{T-1})}}\right]+\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0)}}\left[\sum_{t=1}^{T-1}\log\frac{p_\theta(\boldsymbol{x_t|x_{t+1})}}{q(\boldsymbol{x_t|x_{t-1}})}\right] \\ &=\mathbb{E}_{q(\boldsymbol{x}_{1:T}|\boldsymbol{x}_0)}\left[\log p_\theta(\boldsymbol{x}_0|\boldsymbol{x}_1)\right]+\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0)}}\left[\log\frac{p(\boldsymbol{x}_T)}{q(\boldsymbol{x_T|x_{T-1}})}\right]+\sum_{t=1}^{T-1}\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0)}}\left[\log\frac{p_\theta(\boldsymbol{x_t|x_{t+1})}}{q(\boldsymbol{x_t|x_{t-1})}}\right] \\ &=\mathbb{E}_{q(\boldsymbol{x_1|x_0})}\left[\log p_\theta(\boldsymbol{x_0|x_1})\right]+\mathbb{E}_{q(\boldsymbol{x_{T-1},x_T|x_0})}\left[\log\frac{p(\boldsymbol{x}_T)}{q(\boldsymbol{x_T|x_{T-1}})}\right]+\sum_{t=1}^{T-1}\mathbb{E}_{q(\boldsymbol{x_{t-1},x_t,x_{t+1}|x_0)}}\left[\log\frac{p_\theta(\boldsymbol{x_t|x_{t+1}})}{q(\boldsymbol{x_t|x_{t-1}})}\right] \\ &=\underbrace{\mathbb{E}_{q(\boldsymbol{x_1|x_0)}}\left[\log p_\theta(\boldsymbol{x_0|x_1})\right]}_{\text{reconstruction term}}-\underbrace{\mathbb{E}_{q(\boldsymbol{x_{T-1}|x_0)}}\left[D_{KL}(q(\boldsymbol{x_T|x_{T-1}})\parallel p(\boldsymbol{x}_T))\right]}_{\text{prior matching term}} \\ &-\sum_{t=1}^{T-1}\underbrace{\mathbb{E}_{q(\boldsymbol{x}_{t-1},\boldsymbol{x_{t+1}|x_0)}}\left[D_{\text{KL}}(q(\boldsymbol{x_t|x_{t-1}})\parallel p_\theta(\boldsymbol{x_t|x_{t+1}}))\right]}_{\text{consistency term}} \end{aligned}

  • Eq(x1x0)[logpθ(x0x1)]\mathbb{E}_{q(\boldsymbol{x_1|x_0)}}\left[\log p_\theta(\boldsymbol{x_0|x_1})\right] 项代表着第一个加噪和去噪过程中,去噪过程中,从噪声图像重建为原图的重建效果(类似 VAE)
  • DKL(q(xTxT1)p(xT))D_{KL}(q(\boldsymbol{x_T|x_{T-1}})\parallel p(\boldsymbol{x}_T)) 项代表从 xT1\boldsymbol{x}_{T-1} 加噪到 xT\boldsymbol{x}_T 的先验的分布(最后一步生成的噪声图)和它的真实分布(纯噪声)的差别,最后一步的生存的噪声图要和纯噪声的分布尽可能像,TT 足够大的时候,这一项趋近于零
  • Eq(xt1,xt+1x0)[DKL(q(xtxt1)pθ(xtxt+1))]\mathbb{E}_{q(\boldsymbol{x}_{t-1},\boldsymbol{x_{t+1}|x_0)}}\left[D_{\text{KL}}(q(\boldsymbol{x_t|x_{t-1}})\parallel p_\theta(\boldsymbol{x_t|x_{t+1}}))\right] 代表对每一步 xTx_T ,加噪过程和去噪过程的结果应该尽可能相似,(这一步是最耗时的,每一步 xT\boldsymbol{x}_T 都要算匹配项)

consistency item

存在的问题与改进

​ 在上面的推导下,ELBO 的所有项都被计算为期望值,因此可以使用蒙特卡洛估计来近似。然而,实际上使用刚刚推导的这些项来优化 ELBO 效果是不好的;因为一致性项(consistency term)是在每个时间步长上对两个随机变量 xT1\boldsymbol{x}_{T-1}xT+1\boldsymbol{x}_{T+1}的期望值进行计算的,其蒙特卡洛估计的方差可能比每个时间步长只使用一个随机变量的项的方差更高。再加上一致性项是通过累加 TT 个一致性项来计算的,对于较大的 TT 值,最终估计的 ELBO 值可能具有较高的方差,因此我们希望拆解的时候 consistency term 具有只和一个随机变量有关的式子,为此我们写出用另一种方式拆解 ELBO:

logp(x)Eq(x1:Tx0)[logp(x0:T)q(x1:Tx0)]=Eq(x1:Tx0)[logp(xT)t=1Tpθ(xt1xt)t=1Tq(xtxt1)]=Eq(x1:Tx0)[logp(xT)pθ(x0x1)t=2Tpθ(xt1xt)q(x1x0)t=2Tq(xtxt1)]=Eq(x1:Tx0)[logp(xT)pθ(x0x1)q(x1x0)+logt=2Tpθ(xt1xt)q(xtxt1)]\begin{aligned}\log p(\boldsymbol{x}) &\geq\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log\frac{p(\boldsymbol{x}_{0:T})}{q(\boldsymbol{x_{1:T}|x_0})}\right]\\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log\frac{p(\boldsymbol{x}_T)\prod_{t=1}^Tp_\theta(\boldsymbol{x_{t-1}|x_t)}}{\prod_{t=1}^Tq(\boldsymbol{x_t|x_{t-1}})}\right]\\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0)}}\left[\log\frac{p(\boldsymbol{x}_T)p_\theta(\boldsymbol{x_0|x_1})\prod_{t=2}^Tp_\theta(\boldsymbol{x_{t-1}|x_t})}{q(\boldsymbol{x_1|x_0)}\prod_{t=2}^Tq(\boldsymbol{x_t|x_{t-1}})}\right]\\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x}_0)}\left[\log\frac{p(\boldsymbol{x_T})p_\theta(\boldsymbol{x_0|x_1})}{q(\boldsymbol{x_1|x}_0)}+\log\prod_{t=2}^T\frac{p_\theta(\boldsymbol{x_{t-1}|x}_t)}{q(\boldsymbol{x_t|x_{t-1}})}\right]\\ \end{aligned}

因此为了继续化简下一步我们的目标是将这三个概率关联:

pθ(xt1xt)q(xtxt1)q(x1:Tx0)p_\theta(\boldsymbol{x_{t-1}|x_t}) \quad q(\boldsymbol{x_t|x_{t-1}}) \quad q(\boldsymbol{x_{1:T}|x_0})

由于马尔科夫性,我们可以注意到:

q(xtxt1)=q(xtxt1,x0)=q(xt1xt,x0)q(xtx0)q(xt1x0)q(\boldsymbol{x_t|x_{t-1}})=q(\boldsymbol{x_t|x_{t-1},x_0})=\frac{q(\boldsymbol {x_{t-1}|x_t,x_0})q(\boldsymbol{x_t|x_0})}{q(\boldsymbol{x_{t-1}|x_0})}

logp(x)Eq(x1:Tx0)[logp((xT)pθ(x0x1)q(x1x0)+logt=2Tpθ(xt1xt)q(xtxt1)]=Eq(x1:Tx0)[logp(xT)pθ(x0x1)q(x1x0)+logt=2Tpθ(xt1xt)q(xt1xt,x0)q(xtx0)q(xt1x0)]approximation=Eq(x1:Tx0)[logp(xT)pθ(x0x1)q(x1x0)+logq(x1x0)q(xTx0)+logt=2Tpθ(xt1xt)q(xt1x0)]=Eq(x1:Tx0)[logp(xT)pθ(x0x1)q(x1x0)+i=2mlogpθ(xi1xi)q(xi1xi,x0)]=Eq(x1:Tx0)[logp(x0x1)]+Eq(x1:Tx0)[logp(xT)q(x1x0)]+t=2TEq(x1:Tx0)[logpθ(xt1xt)q(xt1xt,x0)]=Eq(x1x0)[logp(x0x1)]+Eq(xt,x0)[logp(x)q(x1x0)]+t=2TEq(xTx0)[logpθ(xt1xt)q(xt1xt,x0)]=Eq(x1x0)[logp(x0x1)]reconstruction item+DKL(q(xTx0)p(xT))prior matching item+t=2TEq(xTx0)[DKL(pθ(xt1xt)q(xt1xt,x0))]denoising item\begin{aligned} \log p(\boldsymbol{x}) &\geq\mathbb{E}_{q(\boldsymbol{x_{1:T}|x}_0)}\left[\log\frac{p((\boldsymbol{x_T})p_\theta(\boldsymbol{x_0|x_1})}{q(\boldsymbol{x_1|x}_0)}+\log\prod_{t=2}^T\frac{p_\theta(\boldsymbol{x_{t-1}|x}_t)}{q(\boldsymbol{x_t|x_{t-1}})}\right]\\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x}_0)}\left[\log\frac{p(\boldsymbol{x_T})p_\theta(\boldsymbol{x_0|x_1})}{q(\boldsymbol{x_1|x_0})}+\log\prod_{t=2}^T\frac{p_\theta(\boldsymbol{x_{t-1}|x_t})}{\frac{q(\boldsymbol {x_{t-1}|x_t,x_0})\cancel{q(\boldsymbol{x_t|x_0})}}{\cancel{q(\boldsymbol{x_{t-1}|x_0})}}}\right] \quad \text{approximation}\\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log\frac{p(\boldsymbol{x}_T)p_\theta(\boldsymbol{x_0|x_1})}{\cancel{q(\boldsymbol{x_1|x_0})}}+\log\frac{\cancel{q(\boldsymbol{x_1|x_0})}}{q(\boldsymbol{x_T|x_0})} +\log\prod_{t=2}^T\frac{p_\theta(\boldsymbol{x_{t-1}|x}_t)}{q(\boldsymbol{x_{t-1}|x}_0)}\right]\\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log\frac{p(\boldsymbol{x}_T)p_\theta(\boldsymbol{x_0|x_1})}{q(\boldsymbol{x_1|x_0})}+\sum_{i=2}^{m}\log\frac{p_\theta(\boldsymbol{x_{i-1}|x_i})}{q(\boldsymbol{x_{i-1}|x_i, x_0})}\right]\\ &=\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})} \left[\log p(\boldsymbol{x_0|x_1})\right]+\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log\frac{p(\boldsymbol{x}_T)}{q(\boldsymbol{x_1|x_0})}\right]+\sum_{t=2}^{T}\mathbb{E}_{q(\boldsymbol{x_{1:T}|x_0})}\left[\log\frac{p_\theta(\boldsymbol{x_{t-1}|x_t})}{q(\boldsymbol{x_{t-1}|x_t,x_0})}\right] \\ &=\mathbb{E}_{q(\boldsymbol{x_1|x_0})}\left[\log p(\boldsymbol{x_0|x_1})\right] + \mathbb{E}_{q(\boldsymbol{x_t|,x_0})}\left[\log\frac{p(\boldsymbol{x})}{q(\boldsymbol{x_1|x_0})}\right]+ \sum_{t=2}^T\mathbb{E}_{q(\boldsymbol{x_T|x_0})}\left[\log\frac{p_\theta(\boldsymbol{x_{t-1}|x_t})}{q(\boldsymbol{x_{t-1}|x_t,x_0})}\right]\\ &=\underbrace{\mathbb{E}_{q(\boldsymbol{x_1|x_0})}\left[\log p(\boldsymbol{x_0|x_1})\right]}_\text{reconstruction item} + \underbrace{D_{KL}(q(\boldsymbol{x_T|x_0})||p(\boldsymbol{x}_T))}_\text{prior matching item} + \sum_{t=2}^T\underbrace{\mathbb{E}_{q(\boldsymbol{x_T|x_0})}\left[D_{KL}\left( p_\theta(\boldsymbol{x_{t-1}|x_t}) || q(\boldsymbol{x_{t-1}|x_t,x_0}) \right)\right]}_\text{denoising item} \end{aligned}

  • DKL(q(xTx0)p(xT))D_{KL}(q(\boldsymbol{x_T|x_0})||p(\boldsymbol{x}_T)) 用于度量生成的噪声的分布与我们指定的标准高斯分布的接近程度
  • Eq(xTx0)[DKL(p(xt1xt)q(xt1xt,x0))]\mathbb{E}_{q(\boldsymbol{x_T|x_0})}\left[D_{KL}\left( p(\boldsymbol{x_{t-1}|x_t}) || q(\boldsymbol{x_{t-1}|x_t,x_0}) \right)\right] 用于度量真实去噪分布和加噪过程的逆向去噪分布之间的差异,因此称为去噪匹配项,如下图所示:

近似去噪和真实去噪

Understanding Diffusion Models: A Unified Perspective