车辆重识别（2021ICML改进的去噪扩散概率模型）论文阅读2024/9/29
所谓改进的去噪扩散概率模型主要改进在哪些方面：
①对数似然值的改进
通过对噪声的那个方差和T进行调参，来实现改进。
②学习
这个参数也就是后验概率的方差。通过数据分析，发现在T非常大的情况下对样本质量几乎没有影响，也就是说随着我们增加更多的扩散步数，μ比
更有影响力。但是通过分析发现，扩散过程中前几步对loss值贡献最大，那么我们可以对
调整。通过实验发现，将
的值确定在噪声方差和后验概率方差之间效果最好。顺便，我们将loss公式改为
。将
确定为一个较小的值，保证
仍然是主要影响源。
③改善噪声时间表
我们发现之前的噪声时间表对于高分辨率的图像效果比较好，但是对于分辨率为64×64和32×32的图像效果不好。这项操作改变了每一时间步所加的噪声，进而改变了后续数据的分布。我们可以暂且认为控制了每一时间步所加入的噪声量，使得原本图像更慢地变为纯噪声数据，如果像之前的线性时间表，可能会出现图像已经变成纯噪声数据了，但是时间步还没到T，导致不断向图像加噪声，使得难以训练。
④降低梯度噪声
通过分析发现loss值是非常难优化的，因为梯度很嘈杂，也就是说梯度受到输入数据等其他因素影响非常大。这时候我们采取的方法是，把原来的loss值分解为各个时间步的loss值，对每个时间步的loss值进行优化，最后赋予权重，加起来求期望。如下图所示：
⑤提高采样速度
现有的采样技术使得训练非常耗时，我们采用重要性采样，使得不用跟随时间步一步一步采样，只有前一步采样完后一步才能采样。可以随意选取时间步序列，对任一时间步采样。