在开始介绍作者提出的创新点之前，不得不先介绍下扩散模型，作者是在其基础上针对性的设计了两点。

要详细介绍扩散模型的话，其实设计到很多数学知识，而他的思想逻辑实际上很好理解，基本上两句话就可以介绍清楚。

关于扩散模型这里就按照本篇paper中的介绍方式给大家从大的逻辑上介绍一下吧，如果有同学还是对细节更感兴趣，还是建议去看扩散模型的原paper或者其他大牛的讲解，现在扩散模型很火，网上资料多多，笔者就不再叙述了，也怕从根源上误导到大家。

它的过程大致就是：给图片不断的加噪声，然后再不断的去噪声。而这个噪声就是人为的取了一个最常见的数学分布：高斯噪声。

x就是图片的表征，每一步t都是在不断的叠加一个噪声，经过不断的叠加噪声（从高斯分布随机采样），图片就是越来越模糊。那么很明显，如果我们能够得到每一步的确切噪声，那么就能够回推出一开始的图片，也就是复原。

再解释一下这个逻辑：在随机叠加噪声的时候是随机采样的，而为了复原，我们需要训练一个去噪网络，而这个所谓的网络其实就是在拟合每一步这个随机采样的噪声值，因为拿到了噪声值就可以一步步往回推理直到复原。

好了现在的重点变成了：怎么能够精确得到这些噪声呢？

那就是直接监督训练吧：

可以看到直接设计一个网络，然后每一步监督训练，具体的这个网络的输入是当前这一步对应的图片表征，输出就是这一步采样叠加的噪声。

有了这个训练好的模型，inference的时候便可以推理得到图片在t步的预测值

具体到没一步的推理往回推理公式：

上面就是扩散模型的去噪过程。

那上面说的“直接设计一个网络”中的网络是什么网络呢？答案是：U-Net。

它的核心是一个cross-modal attention网络

(x,y)分别代表一对图文训练pair，可以非常清晰的看到K、V是图文的concatenated表征，Q是图片的表征。

再经过前面的解释，这里我们正式的看一下作者提出的第一个设计：

（1）文本知识

通过公式(8)可以看到在计算attention的时候，作者多加了一个权重W项，具体的它是一个可学习网络矩阵，其中的每一个具体元素值ij，代表着image tokens i和 text tokens j的权重。

可以看到如果是非关键token，它的值是1，如果是关键token那么就会累积一个可学习的权重。

具体的什么是关键token呢？作者这里考虑了形容词和名词，凡是形容词和名词的，会在对应的输入开头拼接一个[a]和[n],如上图中的“灰色的”和“猫”的开头。

（2）视觉知识

视觉知识这里，作者具体是采用了目标检测手段。

具体的融合手段是放在了上述拟合高斯噪声loss那里，如下：

在之前的基础上，又是同样的手段即多加了一个权重W，同理如果对应的image和text token是关键物体（目标检测），那么就要着重惩罚此时的loss，也就是说这是关键物体，一定得给我画出来呀。

说到这里，就会遇到另外一个问题：图片中目标检测出来的物体，文本中没有对应的描述，这个时候怎么办？

那就强行在文本后面append追加上这个目标，如上图框架中的“碗”。

除此之外，为了进一步增加泛化性，作者还用了一个images-text的模型，通过图片生成对应的文本，用这个文本随机代替原先给扩散模型训练(images,text)pair中的text。

这样的话文本中会包含一些图片中的重要目标。

接下来接着第二点设计

这里就更好理解一点，看到扩散模型去噪那里，每一步都是用的同样的模型或者说同一套参数，这里其实每一步应该关注的点是不一样的，所以说应该个性化。

具体的作者这里每一步都对应自己的参数，而是进行了分组，每一组其实就是连续的几步step，同一个组内对应一套参数。

那具体多少组呢？也就是paper中提到的MoDE，多专家网络，其实就是多少组，可以想象得到理论上来说越多越个性化，越效果好。

实验

paper也做了很多实验和case分析，大家感兴趣的可以去详细看看，这里给一下设计的两个点的对应消融实验结果吧

总结

融入知识是ERNIE系列的老手段了，也是起家的本领，怎么把更多更细粒度的知识融入到模型是ERNIE一直坚持创新的点，其已经在各个领域模型发光发热，大家对模型感兴趣的可以持续关注～

欢迎关注，下期再见啦~

本文由 mdnice 多平台发布