|
- 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。
|
|
|