AIGC专栏4——Stable Diffusion原理解析-inpaint修复图片为例_diffusion inpaint-CSDN博客

如果我们必须训练一个inpaint模型才能对当前的模型进行inpaint，那就太麻烦了，有没有什么方法可以不需要训练就能inpaint呢？

Stable Diffusion就是一个生成模型，如果我们可以做到让Stable Diffusion只生成指定区域，并且在生成指定区域的时候参考其它区域，那么它自身便是一个天然的inpaint模型。

如何做到这一点呢？我们需要结合img2img方法，我们首先考虑inpaint的两个输入：一个是原图，另外一个是mask图。

在img2img中，存在一个denoise参数，假设我们设置denoise数值为0.8，总步数为20步，那么我们会对输入图片进行0.8x20次的加噪声。如果我们可以在这个加噪声图片的基础上进行重建，那么网络必然会考虑原始图片的特征。（意思就是不让给定输入的图像完全加噪，而是加噪成还是含有一定原始图像特征的噪声图像，这样就对应了图生图的原理，利用到了给定图像的特征）。

具体步骤：

• 将原图x0映射到VAE隐空间，得到img_orig；

• 初始化随机噪声图像img（也可以使用img_orig完全加噪后的噪声）；

• 开始循环：

  1. 对于每一次时间步，根据时间步生成img_orig对应的加噪图像特征；

  2. 一个是基于上个时间步降噪后得到的img，一个是基于原图得到的加噪img_orig。通过mask将两者融合：img=img_orig∗mask+(1.0−mask)∗img 。即，将原图中的非mask区域和噪声图中的mask区域进行融合，得到新的噪声图。

  3. 然后继续去噪声直到结束。

由于该方法不需要训练新模型，并且重建效果也不错，所以该方法比较通用