|
- 如何通俗理解扩散模型? - 知乎
全书共8章,详细介绍了扩散模型的原理,以及扩散模型退化、采样、DDIM反转等重要概念与方法,此外还介绍了Stable Diffusion、ControlNet与音频扩散模型等内容。
- 怎么理解今年 CV 比较火的扩散模型(DDPM)? - 知乎
目前所采用的扩散模型大都是来自于2020年的工作 DDPM: Denoising Diffusion Probabilistic Models, DDPM对之前的扩散模型(具体见 Deep Unsupervised Learning using Nonequilibrium Thermodynamics)进行了简化,并通过 变分推断 (variational inference)来进行建模,这主要是因为扩散模型也是一个 隐变量模型 (latent variable model
- 扩散模型为什么会这么火,本质上相比于GAN到底好在哪里,可以详细的分析一下吗? - 知乎
然而,许多基于图的生成模型缺乏对分子几何约束(如旋转不变性和对称性)的建模能力,而扩散模型可以通过E (3)等变网络等方法有效解决这些问题。 例如,在GEOM-DRUG数据集上的实验表明,扩散模型生成的分子在化学稳定性和原子一致性方面优于其他模型。
- 到底什么是扩散模型?生成模型?还有别的分类吗? - 知乎
在 视频生成方面,如Runway ML的Gen - 2、Google的Imagen Video 等模型利用扩散模型实现了AI视频合成;在 音频合成方面,OpenAI的Jukebox 基于扩散模型实现了音乐生成;在 医学与科学领域,扩散模型可用于 分子结构生成(药物发现)、天文数据增强(模拟星系图像) 等。
- 如何理解扩散模型中的SDE? - 知乎
基于 SDE 的扩散模型不仅能够获得更高质量的生成样本,还能进行准确的对数似然(log-likelihood)计算,以及有利于逆问题(inverse problem)求解中的可控样本生成。 这个工作也获得了 ICLR 2021 Outstanding Paper Award。
- 扩散模型是如何训练的? - 知乎
扩散模型是如何训练的? 网上已经有了很多对原始扩散模型原理的讲解:在原图中加T次噪声,训练一个去噪模型,根据t时刻的图像预测t-1时刻的图像。 但是却很少有人介绍扩散模型在具… 显示全部 关注者 19 被浏览
- 为什么Diffusion Model每一步预测的是噪声,而不是上一步的图像? - 知乎
推导逻辑可以参考 stable diffusion的扩散模型训练的时候为何要添加噪声? 再次注意,这个形式的本质是 「给定加噪输入,重构 初始 输入」 「给定加噪输入,重构 初始 输入」 「给定加噪输入,重构 初始 输入」 Q2:为什么不是上一步图像
- 扩散模型中,Flow Matching的训练方式相比于 DDPM . . . - 知乎
扩散模型,直线真的重要吗? ! 提出Rectified Diffusion, 重新思考Rectified Flow 23年以来,基于rectified flow [1] 和flow-matching [2] 的扩散模型在生成领域大展异彩,许多基于flow-matching的模型和文章如雨后春笋般涌现,仿佛“直线”已经成为一种政治正确。
|
|
|