来源：Zeqiang Lai

作者：别有一洞天?

（图片由扩散模型生成，截取自Midjourney showcase）

目录

AIGC (Artificial Intelligence Generated Content) 这个概念，可以毫不夸张地称之为本年度在人工智能领域内圈内乃至圈外最为火爆的一个话题。对于一般大众而言，AIGC的热议热潮，应当溯源至去年年底2022年，即?Stable Diffusion?的开源公布，以及随之而来的一系列借助 Stable Diffusion 为基础的工作。这些成果使得人工智能绘画领域呈现出前所未有的高品质创作与创意，而开源工具?Stable Diffusion WebUI 和 ComfyUI?与商业化产品 Midjourney?的问世，则大幅降低了普罗大众使用此类工具的门槛。

从技术角度来看，AI绘画热潮的兴起要归功于?扩散模型 的引入。然而，作为一项早在2015年于国际机器学习会议（ICML）上提出的理论构想，其初现并未引起广泛的关注。直至2020年6月，来自加州大学伯克利分校的一篇题为?DDPM?去噪扩散概率模型的 NeurIPS论文，在更加庞大的数据集上展现出与当时最优的生成对抗网络（GAN）模型相媲美的性能，研究人员方才逐渐领悟到扩散模型在内容创作领域所蕴藏的威力与前景。

“打基础” 的 2020 秋?- 2021 年秋

自从DDPM 问世以后，扩散模型在图像生成领域缓缓地迈向成熟。尽管每个学术会议都会呈现一些相关研究，但这类论文的数量仍不多。

连续性扩散模型

回到2020年的十月，斯坦福大学的研究人员 Jiaming Song 提出了?DDIM（Diffusion Denoising Implicit Model），在提升了DDPM采样效率的基础上，仅用50步就能达到1000步采样的效果。DDIM不仅实现了高效率的采样方法，其作为确定性的采样方法还为后续的研究开创了一种类似于GAN Invesion的方法，用于实现各种真实图像的编辑与生成。

值得一提的是，DDIM的第一作者Jiaming Song与Yang Song出自同一研究组，而Yang Song则在同一时间段内推动了 扩散模型一体两面 的另一面，也即 Score-based 的研究。有趣的是，这两种不同的研究角度也在?Yang Song 本人在2021年的2月份放出的 ICLR 一篇论文中得以统一。

接着，来到2021年的二月，OpenAI发布了“Improved Diffusion”：这篇论文提出了后来被广泛采用的 Cosine Noise Schedule，Importance sampling，以及 Stride Sampling 加速采样等技术。

继之而来的，是2021年五月OpenAI所发布的“Classifier Guidance”（亦被称为Guided Diffusion）。这篇论文提出了一项重要的策略，即通过基于分类器的引导来指导扩散模型生成图像。借助其他多项改进，扩散模型首次成功击败了生成领域的巨头“GAN”，同时也为OpenAI的?DALLE-2（一个图像和文本生成模型）的发布奠定了基础。

而后，来到2021年的十二月，DDPM的一作发布了“Classifier Free Guidance”：对“Classifier Guidance”进行了改进，使得扩散模型的引导过程仅需使用扩散模型本身，而不再需要依赖分类器进行实现。这一创新极大地丰富了扩散模型的应用范围与灵活性。

（图像截取自Guide Diffusion）

离散型扩散模型

在离散型扩散模型领域，在同一时间，也涌现出了一系列对后续工作具有很大影响的工作，例如：

这些离散型扩散模型的探索为图像生成领域带来了新的思路与方法，虽然在某些方面取得了进展，但也有待进一步的发展和完善。

“百花齐放” 的 2021?秋?- 2022?年春

时间进入2021年秋，正逢 ICLR 和 CVPR 投稿。在本次 CVPR 中，我们迎来了"Stable Diffusion"的前身"Latent Diffusion"，还有那些为离散Diffusion 做大做强的 "VQ Diffusion" 和 "Unleashing Transformers"，以及离散进行到底的 "MaskGIT" 等一系列杰出的工作。它们如水面涟漪般将扩散模型的局限性逐步推展，让其在更大尺度、更高分辨率的数据集上展现出令人瞩目的效果，至少从论文的角度来看，成就非凡。然而，要真正让这些扩散模型在学术界和工业界广泛传播以至于产生出圈的影响力，这个规模还不够，人们还需等待。

与此同时，本次ICLR会议也见证了扩散模型理论上的一个重要里程碑，这是中国研究者为之付出巨大努力的成果。来自浙江大学的"PNDM"和清华朱军团队的"Analytic-DPM"，将扩散模型的采样加速推向极致。值得自豪的是，"Analytic-DPM"作为国内的首个单位，荣获了ICLR 2022 最佳论文奖项。当然，国外的Google团队也为大家带来了基于训练的快速采样器"GGDM"和"Progressive Distillation"等创新工作。除了这些，还有一项非常具有启发性的工作《Label-Efficient Semantic Segmentation with Diffusion Models》，揭示了扩散模型的潜在空间蕴藏着的丰富语义信息。这或许将启发了后续一系列基于使用扩散模型作为backbone以及利用注意力机制的图像编辑技术以及扩散模型在感知领域的应用。

在这个时间节点，扩散模型逐渐走入人们的视野，各大公众平台纷纷推出涉及它的文章，然而事实却是，这类模型仍然主要停留在研究领域，尤其是在做图像生成的圈子里。主流的深度学习研究人员或许仍然沉浸在 Vision Transformer 所带来的短暂火热中，他们不知道的是，一场针对扩散模型的军备竞赛即将如同腥风血雨般到来。

“大步迈向大模型时代” -?2022 春 - 2022?年秋

2022年的上半年，我们迎来了扩散模型的第一个出圈震撼。四月，来自OpenAI的 DALLE-2?横空出世，通过利用扩散模型以及海量数据，DALLE-2 呈现出了前所未有的理解和创造能力。一系列超现实主义作品通过OpenAI的开放API涌现而出，文生图模型也开始在社交平台上引起热烈讨论。

（图像截取自DALLE-2）

虽然在这个节点，非研究人员熟知的可能还是文生图模型而非背后的扩散模型支柱。不过没关系，DALLE-2的出圈一定程度上引起了更多研究人员对于扩散模型的关注度。事实上，一场针对扩散模型的军备竞赛已然在 NeurIPS 2022 进行热身！

在本次会议投稿周期

在这一阶段，扩散模型本身的理论和设计边界被极大地探索与扩宽，为下半年爆发性出现的下游应用进一步奠定了基础。

（图片截取自DreamFusion）

“军备竞赛启动” -?2022?秋?- 2023?年春

2022年的下半年注定是扩散模型发展最为迅猛和关键的半年。在经过前一年的不懈探索后，扩散模型的理论研究逐渐平稳，研究的方向逐步转向了大规模的应用实践。在这半年，在这段时间里，我们见证了众多领域的突破性应用，包括但不限于：

大规模的应用尝试是这一阶段的主旋律，而随着 Stable Diffusion 的开放，文生图模型再度出圈，扩散模型逐渐被大众所熟知，而后续一系列基于 Stable Diffusion 的工作也将如雨后春笋般到来。这些工作涵盖了图像编辑、更为强大的3D生成等领域，将图像生成再度推进，使其更加贴近人类需求。

(图片截取自 Stable Diffusion v2）

“手慢无” -?2023?春?- 至今

可控图像生成与编辑是这一阶段的主旋律，这催生了非常非常多的工作，在这个阶段，几乎每天都有新的论文和Demo放出，论文轰炸之快，瞠目结舌。

（图片截取自 Stable Diffusion 2）

总的来说，这一阶段的2D图像的工作主要集中在（包括但不限于）

1. Controllable Image Generation

广义上，可控生成包括了下面描述的许多子问题。在这里，我们主要将其限定在如何在文生图的基础加入额外的如语义分割图，深度图做引导的图像生成，这通常也被称之为 Grounded Generation, Layout-driven Generation 等。

典型的工作包括 GLIGEN, ControlNet 和 T2I Adapter 。其中最为火爆的当属 ControlNet，它的出现加上基于?Lora?的定制化，使得扩散模型成为了绘画圈和动漫圈的一个重磅炸弹。

（图片来自ControlNet）

2. Subject | Concept–driven / Exemplar-based Image Editing

Subject-driven Image Generation 这个任务指的是，希望生成的图像包含给定的物体，比如说给一张一只狗的照片，我们希望生成包含这只狗的其他照片。

这个方向最出名的工作当属 DreamBooth，它荣获 CVPR 2023 的 best paper Honorable Mention，与此同时，也是火热的 Lora 定制化的基础算法。除此之外，后续还有一系列工作，

（图片截取自 Anydoor）

3. Text-driven Image Editing

基于文本的图像编辑也是一个重要的研究方向。对于这个任务，我们的需求通常是给定一个生成好的图文对，我们编辑文字，再通过一些方法，能够对已经生成的图像进行编辑。例如把“一只狗”换成“一只猫”或者强化某些词的权重等。?典型的工作包括

（图片来自InstructPix2Pix）

4. Image Inpainting / Outpainting

Inpainting 通常是指将某一块区域的物体移除或者替换成其他物体，outpainting则是希望将图像外围进行补全。扩散模型的出现也极大改善了这类任务的性能，

（图片来自SmartBrush）

5. Style Transfer

也有一些工作利用扩散模型做风格迁移，如 StyleDrop 和 BLIP-Diffusion

（图片来自StyleDrop）

6. Point-based Interactive Image Editing

最近特别火热的 DragGAN 也带火了交互式图形编辑，Diffusion 方向 follow 的工作有 DragDiffusion 和 DragonDiffusion

（图片来自DragGAN）

这一阶段诞生了非常非常多很有意思的工作，但从使用的技术上基本可以总结为 Attention Control（即通过修改注意力实现编辑，图文对齐等目的，例如Prompt2Prompt，Attend and Excite等）；Layer Injection?（即通过插入一些层实现额外的输入控制，例如ControlNet）；Finetue（通过Test-time 或 Training time 的 Finetune 实现，例如DreamBooth 和 InstructPix2Pix ）；Textual Inversion （通过修改 text embedding）?等

截止到2023年8月，扩散模型距离 DDPM 发表已经过去了2年10个月，距离 Stable DIffusion 发布也过去了 1 年。这一年来的高速发展诞生了数不胜数的爆款。基于扩散模型的生成式工具，包括但不限于图像生成，音乐生成，视频生成，3D资产生成，骨骼动作生成等，也逐步走入了设计师以及大众的工作流，并切切实实地改善着广大打工人的工作效率。

尽管如此，当前的诸多工具仍不完美，不管是在学术上的研究还是工程上的落地上仍然具有很多改进的空间。典型的议题包括但不限于，如何让生成的图像更加符合文本？如何改进模型使得不需要黑魔法般的Prompt也能生成高质量的图片？如何做更加可控的生成，实现个性化物体的加入，指定风格，指定位置？如何对不满意的生成结果进行编辑同时保持前后高度的一致性？如何进一步改善生成式模型对硬件的需求？等。这里提到的许多议题在现有工作中可能均有涉及，但这些议题的 Stable Diffusion 时刻可能仍未到来。

过去的一年是激动人心的，ChatGPT 和 Stable Diffusion 的发布为人类迈向通用人工智能（AGI）迈出了重要的一步，而接下来迎接我们的仍将是令人期待和兴奋的后GPT时代。尽管当前全球面临着诸如经济下行，区域冲突，去全球化等的发展难题，尽管黄仁勋把家里所有煤气灶都交出来也解决不了计算资源短缺的问题，但幸运的是，在这个星球上，我们仍然有着无数出色的研究人员在默默耕耘，在朝着实现 AGI 的理想奋斗。或许在有限的将来，AGI 真的能成为有生之年，谁知道呢？

截止至2023年8月，扩散模型已经斩获各个会议共10篇 Best Paper Award， Honorable Mention 和 Award Nomination