2022历史最全（视频）扩散模型论文、数据集、博客等整理分享

最新推荐文章于 2025-03-18 08:15:00 发布
最新推荐文章于 2025-03-18 08:15:00 发布
阅读量815 收藏 12
点赞数
分类专栏： 深度学习文章阅读笔记 深度学习模型汇总 深度学习 文章标签： 人工智能
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/lqfarmer/article/details/127704269
版权
扩散模型作为一种新兴的生成模型，在图像生成领域展现出了巨大的潜力。它包括多种变种如DDPM和已被OpenAI及Google用于实现先进的图像生成任务。本文汇总了相关资源、论文和数据集。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

    Diffusion Model(扩散模型)是生成模型的一种，作为近两年CV领域一种比较火的模型。它是一种基于扩散的生成模型被提出，其下有类似的想法，包括扩散概率模型（diffusion probabilistic modelsSohl-Dickstein et al., 2015），噪声条件得分网络（NCSNYang & Ermon, 2019），以及去噪扩散概率模型（DDPMHo et al. 2020）。

    Diffusion Model(扩散模型)最近两年在图像生成方面真是火的不得了，前有OpenAI的Glide，后有Google刚出的Imagen，直接将DALL-E2从文字到图像的生成王座上拉了下来。其实这些本质上都说明扩散模型在生成任务上的效果可以逐步比肩GANs。

本资源整理了视频扩散模型相关的资源、论文、数据集等，分享给大家。

     资源整理自网络，源地址：https://github.com/Xiefan-Guo/Awesome-Visual-Diffusion-Models

目录

内容截图

深入解读：如何解决微调扩散模型时微调数据集和训练数据集之间的差距过大问题？
沉迷单车的追风少年
07-04 889
在微调扩散模型的时候经常会遇到微调数据集和训练数据集之间的差距过大，导致训练效果很差。在图像生成任务中并不明显，但是在视频生成任务中这个问题非常突出。这篇博客深入解读如何解决微调扩散模型时微调数据集和训练数据集之间的差距过大问题？
AIGC实战——扩散模型(Diffusion Model)
盼小辉丶的博客
02-26 8863
本节介绍了最近最先进的生成模型之一，扩散模型。介绍了去噪扩散概率模型 (Denoising Diffusion Probabilistic Model, DDPM)，并利用去噪扩散隐式模型 (Denoising Diffusion Implicit Model, DDIM) 的思想，使生成过程具备完全的确定性。扩散模型由前向扩散过程和逆扩散过程组成，前向扩散过程通过一系列小步骤向训练数据添加噪声，而逆扩散过程中模型的目标是预测添加的噪声。
【AIGC视频生成】视频扩散模型(综述+最新进展)
qq_45752541的博客
10-20 8701
随着扩散模型的火爆，视频扩散模型带来的video generation视频生成任务也是新算法层出不穷，其中以sora效果最为炸裂。接下来就分享一下基本概念、原理、Pika、Runway等算法的最新进展
【AIGC】2022-NIPS-视频扩散模型
weixin_42475026的博客
10-04 1633
生成时间连贯的高保真视频是生成模型研究的一个重要里程碑。我们提出了一种视频生成扩散模型，并取得了非常有希望的初步结果，朝着这一里程碑迈进了一步。我们的模型是标准图像扩散架构的自然延伸，它能够从图像和视频数据进行联合训练，我们发现这可以减少小批量梯度的方差并加快优化速度。为了生成长视频和高分辨率视频，我们引入了一种新的条件采样技术，用于空间和时间视频扩展，其性能优于以前提出的方法。我们展示了大型文本条件视频生成任务的第一批结果，以及视频预测和无条件视频生成的既定基准的最新结果。
扩散模型算法实战——视频生成（主页有源码）
最新发布
m0_65481401的博客
03-18 1284
视频生成是计算机视觉和生成模型领域的一个重要研究方向，旨在通过算法生成连续、逼真的视频序列。影视制作：自动生成特效、补全缺失帧。虚拟现实：生成虚拟场景的动态内容。游戏开发：自动生成游戏中的动态背景或角色动作。自动驾驶：生成模拟驾驶场景以训练自动驾驶系统。传统的视频生成方法主要基于生成对抗网络（GANs）和变分自编码器（VAEs），但这些方法在处理长序列视频时往往面临模式崩溃、训练不稳定等问题。近年来，扩散模型（Diffusion Models）在生成任务中表现出色，逐渐成为视频生成领域的热门选择。
一些评估扩散模型生成质量的数据集
alankuo的专栏
09-07 472
它从 NIST 的两个手写数字数据集中取出部分图像并经过处理得到，共有 70000 张图像，其中训练集 60000 张，测试集 10000 张，所有图像都是 28×28 的灰度图像，每张图像包含一个手写数字，标注类别共 10 个，代表 0 - 9 之间的数字。- 优势：不仅关注目标检测，还涉及分割、图像描述等多种任务，数据集中的图像场景复杂、目标多样，包含了大量不同场景下的多个目标，以及丰富的标注信息，这对于综合评估扩散模型在复杂场景下生成图像的质量以及对多个目标的生成和布局能力非常有帮助。
用于视频生成的扩散模型
weixin_41905577的博客
07-09 1564
学习自。
谷歌新作Dreamix：视频扩散模型是通用视频编辑器，效果惊艳！
阿木寺的博客
02-07 1874
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>CV微信技术交流群转载自：机器之心 | 编辑：杜伟、陈萍AIGC 已经火了很长时间了，出现了文本生成图像、文本生成视频、图像生成视频等广泛的应用场景，如今谷歌研究院的一项新研究可以让我们根据输入视频生成其他视频了！我们知道，生成模型和多模态视觉语言模型的进展已经为具备前所未有生成真实性和多样性的大型文本到图像模型...
深度学习领域cifar-10图像生成（带数据集和论文说明）-基于分数的扩散模型中基于判别器引导的生成过程改进
06-17
内容包括：源码、数据集、数据集描述、论文 目的：使用cifar-10数据集完成图像生成。 带数据集很好运行，主页有搭建环境过程。主页有更多源码。 dataset描述如下： CIFAR-10数据集(加拿大高级研究所，10类)是tiny ...
【扩散模型/图像匹配/图像拼接】论文精读：DiffMatch: Diffusion Model for Dense Matching
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
01-30 1万+
建立成对图像之间的密集对应关系的目标由两个术语组成：数据项和先验项。虽然传统的技术侧重于定义难以表述的手工设计的先验项，但最近的方法侧重于使用深度神经网络学习数据项，而无需显式建模先验，假设模型本身有能力从大规模数据集中学习最优先验。然而，性能改进很明显，它们通常无法解决匹配的固有歧义，例如无纹理区域、重复模式和大位移。为了解决这个问题，我们提出了 DiffMatch，这是一个新颖的基于条件扩散的框架，旨在显式建模数据和先验术语。与以前的方法不同，这是通过利用条件去噪扩散模型来实现的。DiffMatch由两
视频扩散模型介绍 Video Diffusion Models Introduction
m0_51371693的博客
03-05 3037
扩散过程和去噪过程 去噪器，预测出来噪声然后与原始图片相减，得到干净的图片 当然，去噪过程是逐步的，所以减去之后会重新加上“平均噪声” 跳步 DDIM和DDPM作对比：
视频扩散模型版本DreamBooth：详细解读MotionBooth
沉迷单车的追风少年
07-27 1061
Dreambooth、LoRA、Adapter是图像扩散模型微调的三剑客，在之前的博客中详细解读过原理和代码。现在来到了视频生成的时代，本篇博客介绍微调视频扩散模型的利器，对标DreamBooth的MotionBooth。
扩散模型：DDPM代码的学习（基于minist数据集）
m0_52985451的博客
09-25 3196
本文主要对一个基于minist数据集搭建的DDPM模型代码中各个模块的含义进行解析，初步记录了自己了解扩散模型的一个过程，为后续的进一步学习打基础。
使用DDPM(扩散模型)训练自己的数据集实现数据集扩容pytorch
Leon的博客
02-07 8213
DDPM扩散模型包括两个过程：前向过程（forward process）和反向过程（reverse process），其中前向过程又称为扩散过程（diffusion process）。无论是前向过程还是反向过程都是一个参数化的马尔可夫链（Markov chain），其中反向过程可以用来生成数据，可通过变分推断来进行建模和求解。在DDPM中，通过连续添加高斯噪声来破坏训练数据,然后通过反转这个噪声过程,来学习恢复数据。测试时,可以使用DDPM将随机采样的噪声传入模型中,通过学习去噪过程来生成数据。
视频扩散Video Diffusion原理与代码实例讲解
SuperAGI2025
02-06 984
视频扩散Video Diffusion原理与代码实例讲解 关键词：视频扩散模型，神经网络，数据生成，扩散过程，噪声预测，重构损失，代码实现，视觉效果展示 1. 背景介绍
视频应用中的条件扩散模型，特效来得太快！
idol24的博客
03-20 769
本文来源 机器之心 编辑：蛋酱从文本生成图像，再到给视频加特效，下一个 AIGC 爆发点要出现了吗？相信很多人已经领会过生成式 AI 技术的魅力，特别是在经历了 2022 年的 AIGC 爆发之后。以 Stable Diffusion 为代表的文本到图像生成技术一度风靡全球，无数用户涌入，借助 AI 之笔表达自己的艺术想象……相比于图像编辑，视频编辑是一个更具有挑战性的议题，它需要合成新的动...
【diffusion】扩散模型详解！理论＋代码
热门推荐
m0_63642362的博客
10-29 5万+
【diffusion】扩散模型详解！
（三）2. 深度生成模型-扩散模型(去噪扩散概率模型)
weixin_40614311的博客
10-06 1716
扩散概率模型是一个参数化的马尔可夫链，使用变分推理训练，在有限时间后产生与数据匹配的样本。这条链的转换被学习为逆转扩散过程，扩散过程是一个马尔可夫链，它逐渐向相反采样方向的数据增加噪声，直到信号被破坏。
手写数据集扩散模型
03-17
用户提到的关键词包括“手写数据集”、“扩散模型”、“生成”、“教程”和“资料”，所以我需要围绕这些点来整理信息。 首先，手写数据集最常见的是MNIST，可能还有Fashion-MNIST或者其他，但用户明确提到手写数字...
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

lqfarmer

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