![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
扩散模型
文章平均质量分 93
Frankenstein@
月亮你要,六便士你还嫌少。
展开
-
图像生成论文阅读:Latent Diffusion算法笔记
通过将图像的产生过程分解成去噪自编码器的连续应用,扩散模型(DM)在图像数据和其它方面实现了SOTA的合成结果。此外,它们的产生允许一个引导机制来控制图像生成过程,无需重新训练。然而,由于这些模型通常直接在像素空间中操作,优化强效的DM通常需要消耗数百个GPU天,并且由于顺序评估因而推理是昂贵的。为了能够在有限的计算资源上训练DM,同时保留它们的质量和灵活性,我们将它们应用到强大的预训练自编码器的潜在空间中。原创 2023-05-05 22:25:21 · 1168 阅读 · 1 评论 -
图像生成论文阅读:GLIDE算法笔记
扩散模型最近已被证明可以生成高质量的合成图像,特别是在与引导技术结合起来时,可以实现多样性和保真度的折衷。我们探索了文本条件的图像合成问题的扩散模型,并比较了两种不同的引导策略:CLIP引导和无分类器引导。我们发现,人类评估者更喜欢后者,因为后者更逼真和符合描述,并且经常产生具有照片真实感的样本。与DALL-E相比,使用无分类器引导的具有35亿参数的文本条件扩散模型的样本更受人类评估者的青睐,即使后者使用了昂贵的CLIP重排序。此外,我们发现我们的模型可以微调以执行图像修补从而实现强大的文本驱动的图像编辑。原创 2023-05-01 22:19:33 · 1228 阅读 · 0 评论