AI 作画《NBA球星动漫头像》| 用stable diffusion生成

最新推荐文章于 2024-05-24 11:10:07 发布

机器学习与AI生成创作

最新推荐文章于 2024-05-24 11:10:07 发布

阅读量3.5k

点赞数

分类专栏：扩散模型与GAN生成对抗网络文章标签：机器学习深度学习人工智能神经网络计算机视觉

本文链接：https://blog.csdn.net/lgzlgz3102/article/details/127524990

版权

123 篇文章 125 订阅

订阅专栏

扩散模型是一种概率模型，通过逐步去噪一个正态分布变量来学习数据分布p(x)，对应于学习长度为t的固定马尔可夫链的反向过程。模型可以通过训练去噪自编码器来实现（T = 1…T），它们被训练来预测其输入的去噪变体，而是输入的噪声版本，其训练函数：
扩散模型原理方面，包括：前向的加噪和逆向的去噪；
前向的加噪：给定初始数据（比如图像），一步一步加噪得到、、···、、、···、，最后的完全是一个正太分布噪音数据。其中，每一步的加噪，不妨记为分布表示；对应地，实际的去噪分布记为；
逆向的去噪（生成）：一步一步去噪，得到、···、、、···、、，不妨记为分布表示；
事实上，扩散模型的训练就是用网络(待学习参数为)预测所加的噪音变量分布。用KL散度衡量实际的去噪分布和由网络学习的去噪分布：即。经一系列推导化简、等价为。这里的是高斯噪声，预测网络以含噪图片作为输入，预测所添加的噪声。
即可以理解为，扩散模型的训练目标是，希望预测的噪声和真实噪声一致。

猜您喜欢：

戳我，查看GAN的系列专辑~！

关注