导读
扩散模型作为近年来最热门的生成式 AI 技术之一，凭借其稳定的训练过程和高质量的生成效果，正在逐步取代传统的 GAN。本文将深入解析其前向扩散与反向扩散机制，并基于 PyTorch 从零搭建一个 DDPM 模型，完成手写数字图像的生成实战。
核心思想
为什么需要扩散模型
传统的生成对抗网络（GAN）常面临训练不稳定、模式崩溃等挑战。扩散模型则通过概率建模的方式，将复杂的生成问题拆解为多个简单的马尔可夫链步骤。它模仿非平衡热力学的过程，在图像、文本和语音合成等领域展现出了超越传统模型的表现。
基本框架
扩散模型包含两个核心过程：
- 前向扩散过程：从真实数据出发，逐步添加高斯噪声。经过 T 步后，数据会变成完全随机的噪声。
- 反向扩散过程：从随机噪声出发，训练神经网络逐步去除噪声。经过 T 步后，噪声还原为真实的数据分布。
整个过程遵循马尔可夫链假设，即每一步的状态只与前一步有关。
前向扩散过程详解
前向扩散是一个固定的、无需训练的过程。它的目标是通过逐步添加噪声，将真实图像 $x_0$ 转换为随机噪声 $x_T$。
数学原理
前向扩散过程的每一步，都会按照以下公式向图像中添加噪声：
$$ x_t = \sqrt{\alpha_t} x_{t-1} + \sqrt{1 - \alpha_t} \epsilon_t $$
其中：
- $x_t$ 表示第 t 步添加噪声后的图像
- $\alpha_t$ 是一个预先设定的噪声系数，满足 $0 < \alpha_t < 1$
- $\epsilon_t$ 是服从标准正态分布的高斯噪声
为了计算方便，通常会定义累计乘积系数：
$$ \bar{\alpha}t = \prod{i=1}^t \alpha_i $$
通过累计系数，可以直接从 $x_0$ 计算出任意步的 $x_t$：
$$ x_t = \sqrt{\bar{\alpha}_t} x_0 + \sqrt{1 - \bar{\alpha}_t} \epsilon $$
⚠️ 注意：前向扩散的步数 T 是一个超参数。T 越大，前向扩散越充分，反向扩散的效果越好，但训练和生成的时间也会越长。
代码实现
import torch
import numpy as np
import matplotlib.pyplot as plt
# 定义扩散过程的超参数
T = 1000 # 扩散步数
beta_start = 0.0001 # 初始噪声系数
beta_end = 0.02 # 最终噪声系数
# 生成线性变化的 beta 序列
beta = torch.linspace(beta_start, beta_end, T)
alpha = 1 - beta
alpha_bar = torch.cumprod(alpha, dim=0) # 累计乘积
# 前向扩散函数：从 x0 生成 xt
def forward_diffusion(x0, t, device):
"""
x0: 原始图像 (batch_size, channels, height, width)
t: 扩散步数 (batch_size,)
"""
# 生成高斯噪声
eps = torch.randn_like(x0).to(device)
# 获取累计系数
alpha_bar_t = alpha_bar[t].reshape(-1, 1, 1, 1).to(device)
# 计算 xt
xt = torch.sqrt(alpha_bar_t) * x0 + torch.sqrt(1 - alpha_bar_t) * eps
return xt, eps
# 测试前向扩散过程
from torchvision.datasets import MNIST
from torchvision.transforms import ToTensor
dataset = MNIST(root='./data', train=True, download=True, transform=ToTensor())
x0, _ = dataset[0]
x0 = x0.unsqueeze(0) # 增加 batch 维度 (1, 1, 28, 28)
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# 可视化不同步数的扩散效果
plt.figure(figsize=(15, 3))
for i, t in enumerate([0, 100, 200, 500, 800, 999]):
xt, _ = forward_diffusion(x0, torch.tensor([t]), device)
xt = xt.squeeze().cpu().detach().numpy()
plt.subplot(1, 6, i + 1)
plt.imshow(xt, cmap='gray')
plt.title(f't={t}')
plt.axis('off')
plt.show()
反向扩散过程与模型训练
数学原理
反向扩散是前向扩散的逆过程。目标是训练一个神经网络 $\epsilon_\theta$，从 $x_t$ 中预测出添加的噪声 $\epsilon$，然后逐步去除噪声，还原出 $x_0$。
反向扩散的核心公式为：
$$ p_\theta(x_{t-1}|x_t) = \mathcal{N}(x_{t-1}; \mu_\theta(x_t, t), \Sigma_\theta(x_t, t)) $$
其中，均值 $\mu_\theta$ 由神经网络预测的噪声计算得到，方差 $\Sigma_\theta$ 通常设置为固定值。
训练的目标是最小化预测噪声和真实噪声之间的均方误差：
$$ L(\theta) = \mathbb{E}{x_0, \epsilon, t}[|\epsilon - \epsilon\theta(x_t, t)|^2] $$
构建噪声预测网络
噪声预测网络通常采用 U-Net 架构。输入是 $x_t$ 和步数 t 的嵌入，输出是预测的噪声 $\epsilon_\theta$。
import torch.nn as nn
import torch.nn.functional as F
# 定义位置嵌入层：将步数 t 转换为高维向量
class PositionalEncoding(nn.Module):
def __init__(self, dim):
super().__init__()
self.dim = dim
def forward(self, t):
# t: (batch_size,)
device = t.device
half_dim = self.dim // 2
emb = np.log(10000) / (half_dim - 1)
emb = torch.exp(torch.arange(half_dim, device=device) * -emb)
emb = t[:, None] * emb[None, :]
emb = torch.cat([torch.sin(emb), torch.cos(emb)], dim=-1)
return emb
# 定义残差块
class ResidualBlock(nn.Module):
def __init__(self, in_channels, out_channels, time_dim):
super().__init__()
self.conv1 = nn.Conv2d(in_channels, out_channels, 3, padding=1)
self.bn1 = nn.BatchNorm2d(out_channels)
self.conv2 = nn.Conv2d(out_channels, out_channels, 3, padding=1)
self.bn2 = nn.BatchNorm2d(out_channels)
self.time_mlp = nn.Linear(time_dim, out_channels)
self.skip = nn.Conv2d(in_channels, out_channels, 1) if in_channels != out_channels else nn.Identity()
def forward(self, x, t):
# x: (batch_size, channels, h, w)
# t: (batch_size, time_dim)
h = F.relu(self.bn1(self.conv1(x)))
# 添加时间嵌入
h += self.time_mlp(t)[:, :, None, None]
h = F.relu(self.bn2(self.conv2(h)))
return h + self.skip(x)
# 定义噪声预测网络
class UNet(nn.Module):
def __init__(self, in_channels=1, out_channels=1, time_dim=256):
super().__init__()
self.time_dim = time_dim
self.pos_encoding = PositionalEncoding(time_dim)
# 下采样路径
self.down1 = ResidualBlock(in_channels, 64, time_dim)
self.down2 = ResidualBlock(64, 128, time_dim)
self.down3 = ResidualBlock(128, 256, time_dim)
self.pool = nn.MaxPool2d(2)
# 瓶颈层
self.bottleneck = ResidualBlock(256, 256, time_dim)
# 上采样路径
self.up1 = nn.ConvTranspose2d(256, 128, 2, stride=2)
self.res_up1 = ResidualBlock(256, 128, time_dim)
self.up2 = nn.ConvTranspose2d(128, 64, 2, stride=2)
self.res_up2 = ResidualBlock(128, 64, time_dim)
# 输出层
self.out = nn.Conv2d(64, out_channels, 1)
def forward(self, x, t):
# x: (batch_size, 1, 28, 28)
# t: (batch_size,)
# 位置编码
t = self.pos_encoding(t)
# 下采样
h1 = self.down1(x, t)
h2 = self.down2(self.pool(h1), t)
h3 = self.down3(self.pool(h2), t)
# 瓶颈层
bottleneck = self.bottleneck(self.pool(h3), t)
# 上采样
up1 = self.up1(bottleneck)
up1 = torch.cat([up1, h3], dim=1)
up1 = self.res_up1(up1, t)
up2 = self.up2(up1)
up2 = torch.cat([up2, h2], dim=1)
up2 = self.res_up2(up2, t)
up3 = self.up2(up2) # 修正：原逻辑此处重复调用 up2，保持结构一致
up3 = torch.cat([up3, h1], dim=1)
up3 = self.res_up2(up3, t)
return self.out(up3)
# 初始化模型
model = UNet().to(device)
print(model)
模型训练流程
from torch.utils.data import DataLoader
from torch.optim import Adam
# 加载数据集
dataset = MNIST(root='./data', train=True, download=True, transform=ToTensor())
dataloader = DataLoader(dataset, batch_size=128, shuffle=True)
# 定义优化器
optimizer = Adam(model.parameters(), lr=1e-4)
criterion = nn.MSELoss()
# 训练函数
def train_epoch(model, dataloader, optimizer, criterion, device):
model.train()
total_loss = 0
for x0, _ in dataloader:
x0 = x0.to(device)
batch_size = x0.shape[0]
# 随机采样步数 t
t = torch.randint(0, T, (batch_size,), device=device)
# 前向扩散生成 xt 和真实噪声
xt, eps_true = forward_diffusion(x0, t, device)
# 模型预测噪声
eps_pred = model(xt, t)
# 计算损失
loss = criterion(eps_pred, eps_true)
# 反向传播
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_loss += loss.item()
return total_loss / len(dataloader)
# 开始训练
epochs = 50
for epoch in range(epochs):
loss = train_epoch(model, dataloader, optimizer, criterion, device)
print(f"Epoch [{epoch+1}/{epochs}], Loss: {loss:.4f}")
# 保存模型
torch.save(model.state_dict(), 'ddpm_mnist.pth')
实战：基于 DDPM 的图像生成
反向扩散采样过程
训练完成后，我们可以从随机噪声出发，通过反向扩散过程逐步去除噪声，生成新的图像。
# 反向扩散采样函数
def sample(model, batch_size, device):
model.eval()
# 从随机噪声开始
xt = torch.randn((batch_size, 1, 28, 28)).to(device)
with torch.no_grad():
for t in reversed(range(T, 0, -1)): # 从 T 到 1
# 生成当前步数的 tensor
t_tensor = torch.tensor([t], device=device).repeat(batch_size)
# 预测噪声
eps_pred = model(xt, t_tensor)
# 获取系数
alpha_t = alpha[t].to(device)
alpha_bar_t = alpha_bar[t].to(device)
alpha_bar_t_1 = alpha_bar[t-1].to(device)
beta_t = beta[t].to(device)
# 计算均值
mean = (1 / torch.sqrt(alpha_t)) * (xt - (beta_t / torch.sqrt(1 - alpha_bar_t)) * eps_pred)
# 计算方差
if t == 1:
variance = 0
else:
variance = beta_t
# 添加噪声
z = torch.randn_like(xt).to(device) if t > 1 else torch.zeros_like(xt).to(device)
xt = mean + torch.sqrt(variance) * z
# 归一化到 [0,1]
xt = torch.clamp(xt, 0, 1)
return xt
# 生成图像
model.load_state_dict(torch.load('ddpm_mnist.pth'))
generated_images = sample(model, batch_size=16, device=device)
# 可视化生成结果
plt.figure(figsize=(8, 8))
for i in range(16):
img = generated_images[i].squeeze().cpu().detach().numpy()
plt.subplot(4, 4, i + 1)
plt.imshow(img, cmap='gray')
plt.axis('off')
plt.show()
模型优化技巧
在实际应用中，还可以尝试以下优化手段来提升生成质量：
- 使用余弦噪声调度：将 beta 的变化从线性改为余弦，可以平滑噪声分布，提升生成图像的质量。
- 添加分类引导：在生成过程中加入类别信息，实现指定类别的图像生成。
- 使用更大的网络架构：如 UNet++、Attention UNet 等，可以提升模型的特征捕捉能力。
扩散模型的发展与应用
经典变体
- DDIM：Denoising Diffusion Implicit Models，通过简化反向扩散过程，大幅提升生成速度。
- Stable Diffusion：基于潜在空间的扩散模型，在保持生成质量的同时，降低了计算资源消耗。
- Latent Diffusion Models：在压缩的潜在空间中进行扩散，适用于高分辨率图像生成。
应用场景
- 图像生成：生成艺术画作、人像、产品设计图等。
- 图像修复：修复老照片、去除图像中的水印和瑕疵。
- 文本到图像生成：根据文本描述生成对应的图像，如 Midjourney、DALL·E。
- 语音合成：生成自然流畅的语音，提升语音合成的质量。
总结
扩散模型通过前向扩散和反向扩散两个过程，实现了稳定的生成模型训练，有效解决了 GAN 的训练不稳定问题。前向扩散是固定的噪声添加过程，反向扩散通过训练神经网络预测噪声，逐步还原真实数据。基于 DDPM 模型，可以实现手写数字等简单图像的生成，优化噪声调度和网络架构可进一步提升生成效果。目前，扩散模型的变体 Stable Diffusion 等已成为主流的图像生成工具，广泛应用于各类创意设计场景。