【学习笔记】Diffusion扩散模型

已于 2024-03-01 16:26:01 修改
阅读量590 收藏 4
点赞数 9
文章标签： 学习 笔记
于 2024-03-01 16:24:44 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Glass_Gun/article/details/136399579
版权

导读

Diffusion models是现在人工智能领域最火的方向之一，并引爆了AIGC领域，一大批创业公司随之诞生。

AIGC（AI-Generated Content）：人工智能创作内容的生产方式。

扩散模型Diffusion

在这里插入图片描述

扩散模型Duffison的训练过程

Diffusion模型的训练可以分为两个部分：
前向扩散过程（Forward Diffusion Process）图片中添加噪声
反向扩散过程（Reverse Diffusion Process）去除图片中的噪声
在这里插入图片描述

参考链接

十分钟读懂Diffusion：图解Diffusion扩散模型
AIGC爆火的背后——扩散模型DDPM浅析
Diffusion 和Stable Diffusion的数学和工作原理详细解释

Bosenya12
关注
0基础学习diffusion_model扩散模型【易理解的公式推导】Denoising Diffusion Probabilistic Models
zik的博客
02-20 1634
去噪扩散概率模型。本文是笔者在学习扩散模型时的一些笔记与心得，在公式推导过程中能够保证自己是一步一步去推导并且理解了的。概述是我认为比较重要的部分能够帮助理解公式的推导，具体的公式推导在每一小节中进行。1、扩散过程：如上图所示，扩散过程为从右到左X0→XTX0​→XT​的过程，表示对图片逐渐加噪，且Xt1X_{t+1}Xt1​是在XtX_{t}Xt​加躁得到的，其只受XtX_{t}Xt​的影响，因此扩散过程是一个马尔科夫过程。X0X_0。
扩散模型+CV与NLP科研笔记专栏文章汇总：【Diffusion Models】
zik的博客
04-04 4755
CLIP是一个多模态的大模型，用了4亿个（图像、文本）对进行对比学习，学习之后可以直接进行zero-shot推理，并且不需要像ImageNet那样标注1000个类，而是可以人为给出文本提示，进行图片和文本之间的相似度计算，而且迁移效果很好。那么基于此，提出了Classifier-Free Diffusion Guidance，后续非常多的工作都是基于其来进行的，例如DALL·E 2、Imagen等吸引人眼球的模型基本上都是以它为基础做的。直接用训练好的非条件的扩散模型，无需重复训练。
Diffusion学习(1)-预备知识
qzq2514的博客
12-20 1051
Diffison公式推理的前提知识储备
【diffusion】扩散模型详解！理论＋代码
热门推荐
m0_63642362的博客
10-29 3万+
【diffusion】扩散模型详解！
Diffusion
最新发布
condingggg的博客
08-17 608
生成模型目前有四个流派，分别是生成对抗网络（Generative Adversarial Models，GAN），变分自编码器（Variance Auto-Encoder，VAE），标准化流模型（Normalization Flow， NF）以及这里要介绍的扩散模型（Diffusion Models，DM）。从上式可以知道，给定xt，只要知道前向过程从xt-1到xt加入的噪声ϵ，就可以在反向过程根据xt计算出xt-1的概率分布p(xt-1|xt,x0)。任意满足上述条件的随机变量序列X₀，X₁，X2，…
10分钟读懂Diffusion：图解Diffusion扩散模型
周红伟讲AI
03-12 3329
这里还有一个原因，DDPM 中的 UNet 都是共享参数的，那如何根据不同的输入生成不同的输出，最后从一个完全的一个随机噪声变成一个有意义的图片，这还是一个非常难的问题。因此，较小的 t 代表较弱的噪声扰动，而较大的 t 代表更强的噪声扰动。的架构中，图里面用的都是 Stable Diffusion，后面介绍又主要介绍的是 Diffusion。前面介绍了 Diffusion 是如何根据输入文字生成图片的，让大家有个大概的了解，接下来会详细介绍扩散模型 Diffusion 是如何训练的，又是如何生成图片的。
diffusion详解
cainiao00078的博客
04-10 1507
diffusion详解
扩散模型Diffusion轻松入门
weixin_44603934的博客
12-07 4804
diffusion模型
Diffusion扩散模型 学习笔记
qq_50199113的博客
10-25 335
通过代入能发现xa到xb之间的推导关系，从而能推导出x0到xt的推导公式（上边标横杠表示累乘，这里有个大前提，即每一步的噪音都需要满足标准正态分布）这表示，任意时刻的分布实际上可以由x0直接算出。而α（也就是1-β）相当于一个权重，随着时刻增加，噪声所占的权重越大，而前一时刻的图像所占权重越少，这也代表着加噪程度随着时刻的增加而逐渐增大。（个人觉得可以结合反向还原的过程考虑：还原就和画画一样，先描出一个大体轮廓和上色，然后慢慢修改细节，随着时间的增加修改的细节也越来越细，而还原的过程也应如此。
扩散概率模型论文学习笔记(非常详细)
04-25
### 扩散概率模型论文学习笔记 #### 一、概率论相关 在研究扩散概率模型时，概率论的基础知识尤其重要。本节将详细介绍条件概率的一般形式以及基于马尔科夫假设的条件概率。 ##### 条件概率的一般形式 条件概率...
【图像超分/扩散模型】论文精读：Exploiting Diffusion Prior for Real-World Image Super-Resolution（StableSR）
畅游计算机视觉的海洋
03-26 7897
我们提出了一种新的方法来利用封装在预先训练的文本到图像扩散模型中的先验知识进行盲超分辨率(SR)。具体来说，通过使用我们的时间感知编码器，我们可以在不改变预训练的合成模型的情况下实现有希望的恢复结果，从而保留生成先验并最小化训练成本。为了解决扩散模型固有随机性造成的保真度损失，我们采用了一个可控的特征包装模块，该模块允许用户在推理过程中简单地调整标量值来平衡质量和保真度。此外，我们开发了一种渐进聚合采样策略来克服预训练扩散模型的固定大小约束，从而能够适应任何大小的分辨率。
Diffusion模型详解
欢迎来到道的世界
07-04 6850
 在上一篇《基于流的深度生成模型》中详解介绍了有关流的生成模型理论和方法。目前为止，基于GAN生成模型，基于VAE的生成模型，以及基于flow的生成模型它们都可以生成较高质量的样本，但每种方法都有其局限性。GAN在对抗训练过程中会出现模式崩塌和训练不稳定的问题；VAE则严重依赖于目标损失函数；流模型则必须使用专门的框架来构建可逆变换。本文主要介绍关于扩散模型，其灵感来自于非平衡热力学。它们定义了扩散步骤的马尔可夫链，将随机噪声缓慢地添加到数据中，然后学习逆向扩散过程以从噪声中构造所需的数据样本。 与VAE或
Diffusion：通过扩散和逆扩散过程生成图像的生成式模型
m0_51976564的博客
11-29 5300
Diffusion：通过扩散和逆扩散过程生成图像的生成式模型
Diffusion学习笔记
weixin_43872135的博客
12-13 1156
Diffusion Model推导过程以及解析
Diffusion核心原理以及核心代码部分详解
qq_43446879的博客
02-27 1630
reference： https://zhuanlan.zhihu.com/p/642354007 https://zhuanlan.zhihu.com/p/677234407 ddim_scheduler: 包含了α,β\alpha,\betaα,β的参数，时间步tempsteptempsteptempstep，方差stdstdstd等信息。 VAE 是stable diffusion 是将图像转化为隐空间的编码器。 1.2 Unet 结构 1.2.1 总体结构示意图：
深度学习十大算法之Diffusion扩散模型
第欧根尼的酒桶的博客
03-31 2370
扩散模型的应用范围极为广泛，其在不同学科领域中的应用各有侧重。在物理学中，扩散模型被用来研究热传导、粒子扩散等现象。在生物学中，它帮助科学家们理解细胞内物质的传输机制。在化学领域，扩散模型对于分析化学反应和物质混合过程至关重要。此外，扩散模型在社会科学领域也发挥着重要作用。例如，在研究社会网络和人口迁移时，扩散模型可以用来模拟信息、趋势或行为模式的传播过程。在环境科学中，扩散模型用于研究污染物在环境中的扩散和分布。在经济学领域，扩散理论可以用来分析创新或新技术的市场渗透。
Diffusion 公式推导
m0_51976564的博客
12-07 1489
Diffusion 公式推导
Diffusion扩散模型
05-20
Diffusion扩散模型是一种用来描述物质在空间中传播的数学模型。该模型通常应用于化学、物理、生物、社会学等领域，以描述物质（如分子、热量、人口等）在时间和空间上的分布和变化。 Diffusion扩散模型的基本假设是...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Bosenya12

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值