ControlNet ControlNet可以添加的控制条件类型 Canny Edge, Hough lines, User scrobbles, Human Keypoints, Segmentation maps, shape normals ,depth. 多个条件可以叠加，将controlnet的结果相加即可。 ControlNet的结构 会将SD的Unet的Encod...

Prompt-to-Prompt Prompt-to-Prompt做的事情 无需mask，仅通过文字prompt，对生成图片进行编辑，且能够保持除编辑区域之外的一致性。该过程中无需任何训练、微调，只需要调整Attention map。 Prompt-to-Prompt的动机 作者发现生成图片的空间布局和几何形状都是由内部的cross-attention层的attention ma...

DiT DiT的主要结构 DiT是从LDM改进而来的，将LDM中的U-Net替换为Transformer，VAE仍然使用Stable Diffusion的。 最后一个DiT block之后，将tokens decode为output noise prediction和covariance prediction。 DiT的Patchify过程 与ViT的一样，使用卷积将压缩后的...

Textual Inversion Texual Inversion做的事情 给定3-5张某个主体的图片，冻结T2I模型，通过优化一个pseudo-word的embedding来使得模型学会生成该主体。在2张V100上优化了5000个steps。 Textual Inversion的优化流程 将placeholder的embedding vector设置为可学习的embeddi...

DALL-E 1 DALL-E 1的模型架构 第一阶段，训练一个VQVAE。第二阶段，训练一个自回归的prior模型，这里用的是decoder-only的Transformer（与VQGAN很像，但是这里将文本作为prefix预置条件，实现了Text-conditional生成） DALL-E 2(unCLIP) DALL-E 2的模型结构 共由三部分组成，预训练的CLIP，...

DDPM DDPM的前向加噪过程 DDPM的反向去噪过程 DDPM的训练过程 随机采样时间步t和前向噪声epsilon，用神经网络拟合该epsilon。 DDPM的采样过程 首先从高斯分布采样初始噪声xt，然后每一步预测出epsilon来还原x_{t-1}。由于x_{t-1}是有均值方差的高斯分布，因此预测出epsilon还原出均值后，还需要从标准正...

SD 1.x SD中的VAE。 重构损失：L1 loss,Perceptual loss，对抗损失：Patch-based GAN loss,正则化：KL loss. 为了避免latent太过无序，使用正则项对latent space进行规范。原文中使用了两种：（1）KL-reg，但权重设置得很小（过强的正则化会导致生成的图像模糊）；（2）VQ-reg，使用很大的codebook。 ...

IDDPM IDDPM的原理 DDPM中将方差设置为常数。而IDDPM中，提出了可学习的方差（模型会额外输出一个向量用于预测方差），并把它加入到loss中（L_{vlb}），其中L_{vlb}表示变分下界损失（优化时采用重要性采样）。 IDDPM认为DDPM的加噪方式会导致早期阶段加噪过快，因此提出了cosine schedule的加噪方式。 ADM（Guided-diffus...

VAEVAE VAE模型 VAE公式推导 见知乎文章。 KL项的作用 KL loss类似于一个正则项，用于规范latent的范围，这也是与AE的最大区别。 VQ-VAE VQ-VAE模型结构 前向时，Encoder出来的latent会与codebook中的code做最近邻，直接使用codebook中的code作为latent。 VQ-VAE实质上是AE，用来将...

BERT BERT模型结构 由多个Transformer Encoder堆叠。分为12层的BERT-base和24层的BERT-large。最长序列：512个token,超过的需要截断。Tokenizer: WordPiece。每个句子首个token都是[CLS]，分隔符用[SEP]。会拆分Subword，例如playing拆分为play和###ing。Embedding:见下图 ...