ICLR 2024 | 阐明扩散模型中的曝光偏差问题，一行代码大幅提升生成质量

论文链接：

https://arxiv.org/abs/2308.15321

代码连接：

https://github.com/forever208/ADM-ES

摘要

扩散模型在图像生成方面非常成功，但其曝光偏差（exposure bias）的问题（训练和采样过程的输入存在偏差）缺乏深入的探索。在本文中，我们通过首先对真实的采样分布进行分析，并找出了暴露偏差问题的根本原因。此外，我们讨论了该问题一些潜在解决方案，并且提出了一种简单且高效的无需训练的方法，称为 Epsilon Scaling（ES），来减轻暴露偏差。

实验表明，ES 显式地让采样轨迹向训练轨迹（训练得到的向量场）靠近，从而减轻训练和采样之间的输入不匹配。我们在各种扩散模型框架（ADM、DDIM、EDM、LDM、DiT、PFGM++）上验证了 ES 的有效性。比如将 ES 应用于 ADM 上，我们得到了一个 SOTA 的随机采样器：在 100 步无条件生成下，在 CIFAR-10 上获得了 2.17 FID.

扩散模型中的曝光偏差

与自回归的文本生成类似，扩散模型也存在曝光偏差问题。即训练阶段喂给网络的是真值 ，而采样阶段喂给网络的是上一时刻网络预测的 ，由于网络在训练阶段从来没有看过 ，因此无法学习准确的 score 或 epsilon。

真实的采样分布

我们显式地建模真实的采样分布以比较 和 的差异。以 DPPM 为例，理论上的采样分布是基于 posterior（下图右式）得到的，其中 是指神经网络通过输入 预测的 。

但上式仅在 时成立，而神经网络对于 的预测始终存在误差，因此真实的采样分布需要考虑网络在每一步采样中关于 的预测误差。以 Analytic-DPM 为例，假设该预测误差为高斯分布：

我们最终能得到真实的采样分布 ，将其与训练过程中的条件 分布做比较，我们得到表 1 的结果，显然采样阶段网络看到的 具有更大的方差。

上述是对于单步采样的解析，迭代后可得到多步采样的真实分布，此外 DDIM 也具有类似的结果（详见论文）。我们对表 1 两个分布的方差之差（方差误差）进行可视化，得到了图 1 的结果，可以看到误差会逐步积累。

曝光偏差的解决方案

我们现在谈论曝光偏差的解决方案：

1. 最直接的方式就是训练一个更准确的网络，参考 EDM 的调参；
2. 通过数据扩增训练一个更稠密的向量场，如 EDM 的几何扩增，DDPM-IP 的输入扰动；
3. 采用 PFGM 生成框架，其框架对于预测误差有更强的鲁棒性。

但上述方法都需要重新训练一个模型，而我们下文提出方案是针对采样过程，并与上述方案兼容。

Epsilon Scaling

通过观察网络输出的 的模长，我们可以看出训练和采样过程存在偏差，且该偏差会逐步累计。我们因此提出 Epsilon Scaling 以缩放采样过程中的 以使其向训练过程中的 靠拢，即让下图绿色轨迹向红色轨迹靠拢。

因此，我们的采样方案仅需在原有采样函数上加一个缩放因子 ，基于误差传递的分析，我们最后得到了   的一次函数缩放策略，并且发现 k 在实际中接近于0，因此简单起见推荐 的常数缩放策略。

ES 的实验结果

ADM 上的实验结果：

ADM-ES 优于其他 stochastic samplers：

DDIM 上的实验结果：

EDM 上的实验结果：

LDM 上的实验结果：

DiT 上的实验结果：

PFGM++ 上的实验结果：

ES 改善采样轨迹

我们可以看到 ES 将原有的采样轨迹（绿色线）推到了蓝色线，后者更靠近训练阶段得到的向量场（红色线）。

通过对每一步采样设置 random seed，我们从下图发现 ADM（第一行） 和 ADM-ES（第二行）生成得到的样本点相似，但是后者的生成质量更高。

文章的最后

如果你有从头训练一个扩散模型的需求，推荐一下我们 ICML 2023 的文章，提出了一行代码提升扩散模型生成质量和训练速度的方法，改论文从训练角度给出了曝光偏差的多种方案。

效果一览：

论文链接：

https://arxiv.org/abs/2301.11706

代码链接：

https://github.com/forever208/DDPM-IP

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：[e-mail] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·

·

·