MSRA：視覺生成六大技術(shù)問題
文生圖、文生視頻，視覺生成賽道火熱，但仍存在亟需解決的問題。
微軟亞洲研究院研究員古紓旸對此進(jìn)行了梳理，他認(rèn)為視覺信號拆分是最本質(zhì)的問題。
生成模型的目標(biāo)是擬合目標(biāo)數(shù)據(jù)分布，然而，目標(biāo)數(shù)據(jù)分布過于復(fù)雜，難以直接擬合。
因此，往往需要將復(fù)雜的信號做拆分，拆分成多個簡單的分布擬合問題，再分別求解。信號拆分方式的不同產(chǎn)生了不同的生成模型。
此外，針對一些熱點問題他也展開進(jìn)行了分析，一共六大問題，例如diffusion模型是否是最大似然模型？diffusion模型的scaling law是什么樣的？
以下是部分問題的具體討論。
視覺信號拆分問題
為什么大語言模型能這么成功？
作者認(rèn)為，最本質(zhì)的原因是文本信號拆分具有“等變性”。
具體來說，對于一個文本序列A=x0,x1,x2…語言模型會根據(jù)位置把P(x0,x1,x2…)的聯(lián)合數(shù)據(jù)分布拆分成多個條件概率分布擬合問題：
P(x0),P(x1|x0),P(x2|x0,x1)…對于一個文本，比如說“我喜歡打籃球”，用自回歸的方式進(jìn)行擬合，那么對于從“打”回歸“籃球”這個子任務(wù)，和它是文本中的第幾個詞沒有關(guān)系。
也就是說，不論對于第一個任務(wù)P(x1|x0)還是第三個任務(wù)P(x3|x0,x1,x2)，要擬合分布的其實是“一致”的，或者叫“等變”的。
因此，可以利用一個模型，同時去解決這些相關(guān)性很高的任務(wù)。
然而對于圖像信號，目前常見的拆分方式包括：圖像塊拆分，深度拆分，噪聲強(qiáng)度拆分，以及可學(xué)習(xí)拆分。這些拆分方式都不能保證是“等變的”（equivariant）。
圖像塊拆分將圖像根據(jù)空間位置分成圖像塊，后面的圖像塊根據(jù)前面的進(jìn)行生成，代表性的工作有iGPT、DALL-E等。
然而圖像不同位置有獨立的inductive bias，具體來說，雖然單行的塊內(nèi)具有連續(xù)性，但是一行的最后一個塊與下一行的第一個塊之間卻缺乏這種連續(xù)性。
再比如對于人臉數(shù)據(jù)集，人臉大多出現(xiàn)在圖像的中間位置，而不是圖像邊緣。這些都說明了，根據(jù)空間位置來進(jìn)行劃分，不同任務(wù)學(xué)習(xí)目標(biāo)有差異，不具備“等變性”。
深度拆分的代表性工作包括VQVAE2、RQVAE等。一般遵循coarse-to-fine的方式進(jìn)行生成，前期擬合低頻信號，后期擬合高頻信號。因此，這個學(xué)習(xí)目標(biāo)的不同也導(dǎo)致了缺乏“等變性”。
此外，這類方法還可能導(dǎo)致“無效編碼”問題，將在后文介紹。
擴(kuò)散模型根據(jù)噪聲強(qiáng)度對圖像信號進(jìn)行拆分。對于數(shù)據(jù)集中的圖像x0，將其加噪成一個序列x0,x1,x2,…xN，其中xN幾乎是純噪聲，生成過程其實是在解決N個去噪任務(wù)：P（xt|xt+1）。
然而，之前的工作（MinSNR、eDiff-I）發(fā)現(xiàn)盡管都是去噪任務(wù)，但是不同噪聲強(qiáng)度的去噪任務(wù)仍然有很大的差異，不具備“等變性”。
最后一類是可學(xué)習(xí)的拆分方式。代表性工作包括VDM、DSB等等。這類想法大多基于擴(kuò)散模型的噪聲強(qiáng)度拆分，不過加噪過程是學(xué)習(xí)得到的，而不是提前的定義好的。
其中VDM學(xué)習(xí)加噪過程中的參數(shù)，DSB通過一個網(wǎng)絡(luò)來學(xué)習(xí)如何加噪。然而，這些工作目前只是有潛力保證“等變性”，在實踐中尚未成功。此外，他們目前仍然存在一些挑戰(zhàn)（參見SDSB）。
“不等變性”導(dǎo)致的問題是：既然各個任務(wù)有沖突，那我們用不用共享參數(shù)的模型來擬合這些分布呢？
?
如果用，那共享參數(shù)的模型很難同時擬合這些目標(biāo)有差異的任務(wù)，如果不用，會導(dǎo)致模型的參數(shù)量爆炸，實際不可行。目前實踐中可能會同時使用多種信號拆分方式來簡化分布復(fù)雜度，然而該做法依舊是“非等變”的。
基于圖像信號拆解的“非等變性”，會引發(fā)一系列問題。文章的后續(xù)章節(jié)討論的問題和圖像拆解的“等變性”都息息相關(guān)。下面將簡單進(jìn)行介紹。
Tokenization問題
如果采用RQVAE進(jìn)行編碼，很容易出現(xiàn)當(dāng)編碼長度比較長的時候，后續(xù)的編碼不能幫助提升重建質(zhì)量，甚至對重建質(zhì)量有損害的問題。
作者通過一定的數(shù)學(xué)簡化，對該問題提供了一個直觀的解釋，分析了該問題出現(xiàn)的原因。
讓D代表解碼器，I代表原始輸入圖像。不同深度的編碼由x0,x1,x2,…xN表示，其中N是編碼的深度在本例中假設(shè)為4。
因此，RQVAE的重構(gòu)損失L可以被認(rèn)為是以下四個重構(gòu)損失的組合：
為了簡化分析，提出兩個假設(shè)。首先，假定解碼器執(zhí)行線性變換，以便更簡單地分析結(jié)果。其次，按照常規(guī)配置，對四種損失賦予相同的權(quán)重?；谶@些假設(shè)，可以按以下方式簡化重構(gòu)損失的計算：
因此，最小化圖像級重構(gòu)損失的潛在空間表示將是：
這不能保證x0+x1+x2+x3比x0+x1+x2更接近arg min X。假設(shè)不同深度的編碼共享一個通用代碼本，并獨立同分布，那么后者肯定比前者更接近理論最小值。
因此，這導(dǎo)致了無效編碼問題。
擴(kuò)散模型是最大似然模型嗎？
盡管DDPM從最大似然的角度出發(fā)，推導(dǎo)了擴(kuò)散模型的理論。然而，有很多發(fā)現(xiàn)似乎表明，擴(kuò)散模型并非最大似然模型。
VDM++證明了，當(dāng)不同噪聲強(qiáng)度處的損失函數(shù)權(quán)重滿足單調(diào)關(guān)系時，擴(kuò)散模型是最大似然模型。然而，實際訓(xùn)練中，往往并不采用這樣的損失函數(shù)權(quán)重。
在測試階段，Classifier-free guidance的采用也使得優(yōu)化目標(biāo)不再是最大似然。在評估階段，直接用NLL損失作為衡量指標(biāo)，并不能準(zhǔn)確評估生成模型的好壞。
這都引出了一個問題：為什么最大似然的方法并不能獲得最優(yōu)的結(jié)果？
?
針對該問題，作者從“等變性”的角度，給出了一種理解方式。
得分匹配與非規(guī)范化最大似然密切相關(guān)。通常，得分匹配可以避免最大似然學(xué)習(xí)中學(xué)到的所有數(shù)據(jù)點的等概率的傾向。對于某些特殊分布，如多元高斯分布，得分匹配和最大似然是等價的。
VDM++的研究表明，使用單調(diào)損失權(quán)重ω(t)實際上等同于為所有中間狀態(tài)最大化ELBO。然而，單調(diào)權(quán)重并不能表征不同噪聲強(qiáng)度任務(wù)的訓(xùn)練難度差異。
如前所述，圖像數(shù)據(jù)通常不具備這種等變性。在實際訓(xùn)練中，學(xué)習(xí)似然函數(shù)的難度隨噪聲強(qiáng)度變化；直觀上，最大的困難出現(xiàn)在中等噪聲水平，在這里似然函數(shù)往往學(xué)習(xí)得不夠準(zhǔn)確。在生成過程中，使用無分類器引導(dǎo)可以看作對學(xué)習(xí)不佳的似然函數(shù)的矯正。
在模型評估過程中，鑒于不同噪聲水平的任務(wù)對最終結(jié)果的重要性不同，對這些NLL損失應(yīng)用相同權(quán)重?zé)o法有效衡量最終生成輸出的質(zhì)量。
怎么平衡擴(kuò)散模型中不同噪聲步間的沖突？
從VDM++的訓(xùn)練損失出發(fā)：
要調(diào)節(jié)訓(xùn)練過程中不同噪聲強(qiáng)度的沖突，要不改變損失函數(shù)ω (λ)，要不改變采樣頻率P(λ)。
理論上兩者是等價的，然而實際訓(xùn)練過程中，改ω (λ)變相當(dāng)于改變learning rate，改變P(λ)相當(dāng)于給更重要的任務(wù)提供了更大的采樣頻率，增多了這部分任務(wù)的計算量(Flops)，這往往比改變損失函數(shù)更有效。
最近的工作“Improved Noise Schedule for Diffusion Training”，經(jīng)驗性地給出了一種解決方案。
擴(kuò)散模型存在scaling law嗎？
大語言模型的成功很大程度上歸功于scaling law。對于擴(kuò)散模型，存在scaling law嗎？
這個問題的關(guān)鍵在于采用什么指標(biāo)來評估模型質(zhì)量的好壞。在這里分析了三種做法：
1、用“Improved Noise Schedule for Diffusion Training”中的不同任務(wù)的難度系數(shù)當(dāng)重要性系數(shù)，給不同任務(wù)的損失加權(quán)，當(dāng)成衡量指標(biāo)。對模型參數(shù)量，訓(xùn)練迭代次數(shù)和最終性能的關(guān)系分別建模，可以得到下面的結(jié)果。然而，該指標(biāo)不能確保與人類的偏好完全一致。
2、利用已有的生成模型衡量指標(biāo)，如FID等。這類方法有兩個問題，第一，F(xiàn)ID等指標(biāo)自身的bias，比如FID假設(shè)圖像抽取特征后的分布滿足高斯分布，這會帶來系統(tǒng)誤差。第二，該指標(biāo)一般用于衡量生成數(shù)據(jù)分布和目標(biāo)分布之間的差異，這在in-the-wild場景下和人類偏好可能會有差異。
3、直接采用人工標(biāo)注衡量模型質(zhì)量。收集好大量文本-圖像數(shù)據(jù)，用生成模型從這些文本生成圖像，并讓用戶評估生成結(jié)果和ground truth的偏好度，該指標(biāo)可以作為模型scaling law的衡量指標(biāo)。這種做法的缺點是需要大量人力，但是可以對齊生成結(jié)果和人類偏好。此外，該指標(biāo)可以指導(dǎo)測試方法的選擇。
本文轉(zhuǎn)自 量子位 ，作者：量子位
