【深度学习】SDXL中的Offset Noise，Diffusion with Offset Noise，带偏移噪声的扩散_noise offset

https://www.crosslabs.org//blog/diffusion-with-offset-noise

带有偏移噪声的扩散
针对修改后的噪声进行微调，使得稳定扩散能够轻松生成非常暗或非常亮的图像。
作者：尼古拉斯·古藤伯格
|
2023年1月30日

马里奥兄弟使用稳定扩散挖掘隧道。左图显示了未使用偏移噪声的原始结果，右图使用偏移噪声显示了更丰富的黑色调。

稳定扩散在使用偏移噪声前（左）和使用偏移噪声后（右）

去噪扩散概率模型（Denoising Diffusion Probabilistic Models）是一种相对较新的生成神经网络模型，可以从从数据中学习到的高维概率分布中生成样本。其他解决同类问题的方法包括生成对抗网络（Generative Adversarial Networks）、归一化流（Normalizing Flows）以及各种形式的自回归模型，这些模型一次或分批对维度进行采样。此类模型的主要应用之一是在图像合成中，扩散模型在图像质量方面最近竞争力很强，特别是在生成全局连贯的图像构图方面。稳定扩散（Stable Diffusion）是一个预训练的、公开可用的模型，能够使用这种技术生成一些惊人的结果。然而，它有一个有趣的限制，似乎大多没有被注意到。如果你试图让它生成特别暗或特别亮的图像，它几乎总是生成平均值相对接近0.5