- 博客(6)
- 收藏
- 关注
RSS订阅原创 EDM 的一些推导与总结
EDM 指的是 Karras 等人在论文 Elucidating the Design Space of Diffusion-Based Generative Models 中提出的 diffusion 统一框架。它不是一个全新的扩散模型，而更像是一次“把扩散模型拆开重装”的工作：把 网络参数化、训练噪声分布、损失权重、采样 ODE、采样步长调度、数值求解器 这些设计选择分离开来，然后给出一套更清晰、更稳定、更高效的推荐方案。EDM 可以理解为：训练时可以概括为：采样真实图像：y∼pdatay \sim p
2026-06-27 13:49:18
356
原创 DDIM 推导
DDIM（Denoising Diffusion Implicit Models）的推导可以理解为：更具体的一些细节：DDPM的一些推导与理解DDPM 的前向扩散过程是：q(xt∣xt−1)=N(xt;αtxt−1,(1−αt)I)q(x_t \mid x_{t-1})=\mathcal N\left(x_t;\sqrt{\alpha_t}x_{t-1},(1-\alpha_t)I\right)q(xt∣xt−1)=N(xt;αtxt−1,(1−αt)I)其中：αt=1−βt
2026-06-26 12:50:46
314
原创 DDPM 推导细节补充
由于原文章字数过多，一些具体的推导细节写在这里xt=αˉtx0+1−αˉtϵx_t = \sqrt{\bar{\alpha}_t}x_0 + \sqrt{1-\bar{\alpha}_t}\epsilonxt=αˉtx0+1−αˉtϵ上述公式的具体推导先看第一步：x1=α1x0+1−α1ϵ1x_1 = \sqrt{\alpha_1}x_0 + \sqrt{1-\alpha_1}\epsilon_1x1=α1x0+1−α1ϵ1因为：αˉ1=α1\bar{\alpha}_1
2026-06-25 17:13:10
150
原创 DDPM的一些推导与理解
DDPM：Denoising Diffusion Probabilistic Models，去噪扩散概率模型。它是现代扩散模型的经典形式之一，也是 Stable Diffusion、Imagen 等模型背后的核心思想之一。生成模型的目标是学习真实数据分布：x0∼q(x0)x_0 \sim q(x_0)x0∼q(x0)其中 x0x_0x0 可以是一张真实图片。我们希望训练一个模型，能够从简单分布，比如标准高斯噪声：xT∼N(0,I)x_T \sim \mathcal N(0, I)xT∼N(0
2026-06-25 17:11:41
385
原创 virtualbox 虚拟机windows安装提示：无法从无人参与应答文件读取productkey
ubuntu20.04上通过virtualbox安装windows10，出现"无法从无人参与应答文件读取productkey"报错
2025-03-27 01:01:09
3465
原创 解决 ValueError: numpy.dtype size changed,may indicate binary incompatibility.
重装依赖库解决报错：ValueError: numpy.dtype size changed, may indicate binary incompatibility. Expected 96 from C header, got 88 from PyObject
2024-11-29 20:38:20
34465
6
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人