本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

由于在圖像生成效果上可以與GAN媲美，擴散模型最近成為了AI界關注的焦點。

谷歌、OpenAI過去一年都提出了自家的擴散模型，效果也都非常驚艷。

另一邊，劍橋大學的學者David Krueger提出，自動編碼器會不會卷土重來成為研究熱潮。

就在最近，DeepMind的一位研究科學家Sander Dieleman基于以上兩股熱潮，提出了自己的觀點：

擴散模型就是自動編碼器??！

這一觀點立刻引起了不少網友的注意，大家看了Sander的闡述，都覺得說得很有道理，并且給了自己不少啟發(fā)。

那么，他到底是如何論證自己這一觀點的呢？

我們一起來看。

去噪自動編碼器=擴散模型

想要看透這二者之間的聯系，首先要看看它們自身的特點。

擴散模型是一種新的圖像生成方法，其名字中的“擴散”本質上是一個迭代過程。

它最早于2015提出，是定義了一個馬爾可夫鏈，用于在擴散步驟中緩慢地向數據添加隨機噪聲，然后通過學習逆轉擴散過程從噪聲中構建所需的數據樣本。

相比GAN、VAE和基于流的生成模型，擴散模型在性能上有不錯的權衡，最近已被證明在圖像生成方面有很大的潛力，尤其是與引導結合來兼得保真度和多樣性。

比如去年谷歌提出的級聯（Cacade）擴散模型SR3，就是以低分辨率圖像為輸入，從純噪聲中構建出對應的高分辨率圖像。

OpenAI的GLIDE、ADM-G也是用上了擴散模型，以此能生成更加更真實、多樣、復雜的圖像。

△GLIDE模型效果

接下來，再來看自動編碼器的原理。

自動編碼器可以理解為一個試圖去還原原始輸入的系統，模型如下所示：

它的主要目的是將輸入轉換為中間變量，然后再將中間變量轉化為輸出，最后對比輸入和輸出，使它們二者之間無限接近。

當模型框架中存在瓶頸層或者輸入被損壞時，自動編碼器能夠學習輸入本質特征的特性，就可以大顯身手了。

在這里，作者主要拿來和擴散模型對比的，便是去噪自動編碼器。

它可以將損壞數據作為輸入，通過訓練來預測未損壞的原始數據作為輸出。

看到這里是不是有點眼熟了？

向輸入中加入噪聲，不就是一種破壞輸入的方法嗎？

那么，去噪自動編碼器和擴散模型，原理上不就是有著異曲同工之妙嗎？

二者是如何等價的？

為了驗證自己的這一想法，作者從原理方面對擴散模型進行了拆解。

擴散模型的關鍵，在于一個分數函數 （?score function）

。

需要注意的是，這和

不同。（求梯度的參數不同）

通過后者，我們可以知道如何改變模型參數來增加向下輸入的可能性，而前者能夠讓我們知道如何改變輸入本身來增加可能性。

在訓練過程中，希望在去噪中的每一點都使用相同的網絡。

為了實現這個，需要引入一個額外的輸入

，由此可以看到在去噪中進行到了哪一部分

。

當t=0時，對應無噪聲數據；t=1時，對應純噪聲數據。

訓練這個網絡的方法，就是用添加噪聲

來破壞輸入x。然后從

中預測

。

需要注意的是，在這里方差大小取決于t，因為它可以對應特定點的噪聲水平。損失函數通常使用均方誤差（MSE），有時會用 λ(t)進行加權，因此某些噪聲水平會優(yōu)先于其他噪聲水平：

假設λ(t)=1時，一個關鍵的觀測值為

或 x（它們二者是等價的），在這里可以用公式：

為了確保它們是等價的，可以考慮使用訓練模型

來預測

，并加上一個新的殘差連接。從輸入到輸出的比例系數均為-1，這個調整后的模型則實現了：

由此，一個擴散模型便逐漸變成一個去噪自動編碼器了！

One More Thing

不過博客的作者也強調，雖然擴散模型和去噪自動編碼器的效果等價，但是二者之間不可完全互換。

并且以上得到的這個去噪自動編碼器，和傳統類型也有不同：

• 第一，附加輸入t可以使單個模型用一組共用參數來處理噪聲級別不同的情況；
• 第二，因為更加關注模型的輸出，所以內部沒有瓶頸層，這可能會導致“弊大于利”的結果。

而作者更想強調的是這二者之間存在的聯系。

此外他還表示，模型效果好的關鍵應該在于共用參數，這種方法已經被廣泛應用在表示學習上。

從這些成果中也能發(fā)現一個規(guī)律：

• 噪聲含量越高的模型，往往更容易學習到圖像的特征；?
• 噪聲含量越低的模型，則會更專注于細節(jié)。

作者認為以上規(guī)律值得進一步研究：

這意味著隨著噪聲水平逐步降低，擴散模型能夠補充圖像細節(jié)也就越來越多。

最后，我們再來介紹一下這一發(fā)現的提出者——Sander Dieleman。

他現在是DeepMind的一位研究科學家，主要研究領域為生成模型和音樂合成。

參與的主要研究工作有Spotify音樂平臺的內容推薦模型。