Diffusers 文档
VQDiffusionScheduler
并获得增强的文档体验
开始使用
VQDiffusionScheduler
VQDiffusionScheduler
将 Transformer 模型的输出转换为前一个扩散时间步未去噪图像的样本。它由 Shuyang Gu、Dong Chen、Jianmin Bao、Fang Wen、Bo Zhang、Dongdong Chen、Lu Yuan 和 Baining Guo 在 用于文本到图像合成的矢量量化扩散模型 中引入。
论文摘要如下:
我们提出了一种用于文本到图像生成的矢量量化扩散(VQ-Diffusion)模型。该方法基于矢量量化变分自动编码器(VQ-VAE),其潜在空间由最近开发的去噪扩散概率模型(DDPM)的条件变体建模。我们发现这种潜在空间方法非常适合文本到图像生成任务,因为它不仅消除了现有方法的单向偏差,而且还允许我们采用掩蔽和替换扩散策略,以避免误差累积,这是现有方法中一个严重的问题。我们的实验表明,与参数数量相似的传统自回归(AR)模型相比,VQ-Diffusion 生成的文本到图像结果显著更好。与之前的基于 GAN 的文本到图像方法相比,我们的 VQ-Diffusion 可以处理更复杂的场景,并大幅提高合成图像的质量。最后,我们展示了通过重参数化,我们方法中的图像生成计算可以变得高效。对于传统的 AR 方法,文本到图像生成时间随输出图像分辨率线性增加,即使对于普通大小的图像也相当耗时。VQ-Diffusion 允许我们在质量和速度之间取得更好的平衡。我们的实验表明,经过重参数化的 VQ-Diffusion 模型比传统的 AR 方法快十五倍,同时实现了更好的图像质量。
VQDiffusionScheduler
class diffusers.VQDiffusionScheduler
< 来源 >( num_vec_classes: int num_train_timesteps: int = 100 alpha_cum_start: float = 0.99999 alpha_cum_end: float = 9e-06 gamma_cum_start: float = 9e-06 gamma_cum_end: float = 0.99999 )
参数
- num_vec_classes (
int
) — 潜在像素向量嵌入的类别数量。包括掩码潜在像素的类别。 - num_train_timesteps (
int
, 默认为 100) — 训练模型的扩散步数。 - alpha_cum_start (
float
, 默认为 0.99999) — 起始累积 alpha 值。 - alpha_cum_end (
float
, 默认为 0.00009) — 结束累积 alpha 值。 - gamma_cum_start (
float
, 默认为 0.00009) — 起始累积 gamma 值。 - gamma_cum_end (
float
, 默认为 0.99999) — 结束累积 gamma 值。
一种用于矢量量化扩散的调度器。
此模型继承自 SchedulerMixin 和 ConfigMixin。查看超类文档以了解库为所有调度器实现的通用方法,例如加载和保存。
log_Q_t_transitioning_to_known_class
< 来源 >( t: torch.int32 x_t: LongTensor log_onehot_x_t: Tensor cumulative: bool ) → torch.Tensor
形状为 (batch size, num classes - 1, num latent pixels)
参数
- t (
torch.Long
) — 决定使用哪个转换矩阵的时间步。 - x_t (
torch.LongTensor
形状为(batch size, num latent pixels)
) — 在时间t
时每个潜在像素的类别。 - log_onehot_x_t (
torch.Tensor
形状为(batch size, num classes, num latent pixels)
) —x_t
的对数 one-hot 向量。 - cumulative (
bool
) — 如果cumulative
为False
,则使用单步转换矩阵t-1
->t
。如果cumulative
为True
,则使用累积转换矩阵0
->t
。
返回
torch.Tensor
形状为 (batch size, num classes - 1, num latent pixels)
返回矩阵的每个*列*是完整概率转换矩阵的*行*的对数概率。
当非累积时,返回 self.num_classes - 1
行,因为初始潜在像素不能被掩码。
其中:
q_n
是第n
个潜在像素前向过程的概率分布。- C_0 是潜在像素嵌入的一个类别
- C_k 是掩码潜在像素的类别
非累积结果(省略对数)
累积结果(省略对数)
计算 x_t
中每个潜在像素的(累积或非累积)转换矩阵行的对数概率。
q_posterior
< 来源 >( log_p_x_0 x_t t ) → torch.Tensor
形状为 (batch size, num classes, num latent pixels)
参数
- log_p_x_0 (
torch.Tensor
形状为(batch size, num classes - 1, num latent pixels)
) — 初始潜在像素预测类别的对数概率。不包括对掩码类别的预测,因为初始未去噪图像不能被掩码。 - x_t (
torch.LongTensor
形状为(batch size, num latent pixels)
) — 在时间t
时每个潜在像素的类别。 - t (
torch.Long
) — 决定使用哪个转换矩阵的时间步。
返回
torch.Tensor
形状为 (batch size, num classes, num latent pixels)
图像在时间步 t-1
预测类别的对数概率。
set_timesteps
< 来源 >( num_inference_steps: int device: typing.Union[str, torch.device] = None )
设置用于扩散链的离散时间步(在推理之前运行)。
步骤
< 来源 >( model_output: Tensor timestep: torch.int64 sample: LongTensor generator: typing.Optional[torch._C.Generator] = None return_dict: bool = True ) → VQDiffusionSchedulerOutput 或 tuple
参数
- log_p_x_0 — (
torch.Tensor
形状为(batch size, num classes - 1, num latent pixels)
): 初始潜在像素预测类别的对数概率。不包括对掩码类别的预测,因为初始未去噪图像不能被掩码。 - t (
torch.long
) — 决定使用哪个转换矩阵的时间步。 - x_t (
torch.LongTensor
形状为(batch size, num latent pixels)
) — 在时间t
时每个潜在像素的类别。 - generator (
torch.Generator
, 或None
) — 在从p(x_{t-1} | x_t)
采样之前应用于其噪声的随机数生成器。 - return_dict (
bool
, 可选, 默认为True
) — 是否返回 VQDiffusionSchedulerOutput 或tuple
。
返回
VQDiffusionSchedulerOutput 或 tuple
如果 return_dict
为 True
,则返回 VQDiffusionSchedulerOutput,否则返回一个元组,其中第一个元素是样本张量。
通过逆向转换分布预测前一个时间步的样本。有关如何计算分布的更多详细信息,请参见 q_posterior()。
VQDiffusionSchedulerOutput
class diffusers.schedulers.scheduling_vq_diffusion.VQDiffusionSchedulerOutput
< 源 >( prev_sample: LongTensor )
调度器步进函数输出的输出类。