- 文章标题：DIFFUSION MODELS ALREADY HAVE A SEMANTIC LATENT SPACE
- 文章地址：https://arxiv.org/abs/2210.10960
- ICLR 2023
作者提出了一个非对称的扩散模型的反向过程，得到了预训练扩散模型的语义空间（h-soace），具有很好的图像编辑的特性：同质性、线性、鲁棒性、连续性等等。可以对某个特性（如微笑）训练一个轻量网络f，通过该网络对该特性进行调整（笑或不笑）。
文章将去噪过程形式化为：
要想在语义空间对图像的生成进行编辑，其中一个方法为对预测的噪声ε进行偏移，但这无法对生成图像造成改变，因为噪声对P和D的影响相互抵消（证明见原文）。因此，作者提出了非对称去噪的方法：
即对P中预测的噪声进行偏移，保留D中的噪声。
作者通过在U-Net的最深层引入偏移量Δh来对噪声进行偏移，其通过一个轻量网络进行预测，得到了h-space，具有一些很好的特性：同样的Δh对不同的采样图片具有同样的影响；可以做到线性改变该特性，甚至负数得到反特性；多个Δh叠加可得到多个特性融合；不改变原来采样结果的图片质量；Δh在不同的时间步大致一致。