自己设计扩散模型进行图生图

AI算法网奇

已于 2024-05-16 16:34:19 修改

阅读量232

点赞数 5

分类专栏：深度学习基础深度学习宝典文章标签：人工智能深度学习机器学习

于 2024-05-15 11:57:17 首次发布

本文链接：https://blog.csdn.net/jacke121/article/details/138902737

版权

984 篇文章 713 订阅 ¥29.90 ¥99.00

订阅专栏

175 篇文章 17 订阅

订阅专栏

该博客探讨了两种图生图的扩散模型设计方案。方案一中，利用Unet预测每阶段的高斯噪声差异，逐步生成目标图像。方案二则通过矩阵值的阶段划分和迭代更新来实现图像生成。在预测过程中，通过逐步应用差异，最终得到所需图像。

摘要由CSDN通过智能技术生成

方案1

假设steps是100，

目标减去输入是总差异

训练的时候，输入就是图像差异就目标减去输入，每步的差异(高斯噪声)是最大目标减去差异除以steps，

每次训练时把把目标减去每步差异，用unet去预测差异

预测的时候，输入图像，然后加上时间t，unet预测这个差异，然后加上这个差异，通过每次预测差异，然后就生成出了我们要的图像。

方案2

每步的差异(高斯噪声)是每个目标减去自己的输入差异除以steps。

把矩阵的值等分100个阶段，矩阵值域0到10000，阶段输入1，那么大于100的取100，小于100的返回原值，输入阶段2，大于200的返回200，小于200返回原值

import torch


def adjust_matrix_values_torch(matrix, stage):

    threshold = 100 * stage
    adjusted_matrix = torch.where(matrix > threshold, t

了解本专栏

关注

专栏目录