- 博客(6)
- 收藏
- 关注
RSS订阅原创 [学习笔记] Palette: Image-to-Image Diffusion Models
调色板：图像到图像扩散模型原文链接：[2111.05826] Palette: Image-to-Image Diffusion Models (arxiv.org)“本作品仅供学习交流使用，严禁用于商业用途。如果保存，请在24小时内删除。作者不承担任何责任。。
2023-12-02 15:55:56
1631
原创 guidance diffusion 代码阅读笔记
后验均值系数的计算：这些系数用于计算模型的后验均值。具体来说，posterior_mean_coef1是beta值乘以np.sqrt(self.alphas_cumprod_prev)除以(1.0 - self.alphas_cumprod)，posterior_mean_coef2是(1.0 - self.alphas_cumprod_prev)乘以np.sqrt(alphas)除以(1.0 - self.alphas_cumprod)。这些系数可以用于计算模型的后验均值。就是这俩系数。
2023-10-25 15:50:06
1208
原创 DDPM图像生成的pytorch实现（新手向）
我这边用的数据集是celeb-A 256的数据集，一开始用64*64做的时候效果感觉已经比较不错了，然后改成256之后不知道为啥就很慢，用的4060ti，感觉也不应该啊。定义一些用得到的方法，里面的get_index_from_list()和forward_diffusion_sample()这两个函数感觉还蛮有意思的，但其实就是。获取图片的路径，印象中glob这个函数好像是不同版本用法不同，有个顺序的问题，遇到问题了再百度。正在入坑DDPM，开源代码都看不懂，捣鼓了几天弄出来一个简易版。
2023-10-21 21:05:39
594
1
原创 [学习笔记]Post-training Quantization on Diffusion Models
训练后量化 (PTQ) 算法将训练过的 FP32 网络直接转换为定点计算的网络，过程中无需对原始模型进行任何训练。只对几个超参数调整就可完成量化过程，量化模型以一种更有效的计算方式进行模型推理。量化后模型中的参数使用低 bit 表示，在数据搬移时降低了带宽要求，在计算过程中一般硬件对于低 bit 整形数据具有更高的标称算力，因此模型量化的优化方案在多数情况下可获得较大的推理速度提升，此方法已被广泛应用于大量的端侧和云侧部署场景。
2023-10-10 15:36:07
475
翻译 [学习笔记]Diffusion Probabilistic Model Made Slim
尽管最近取得了视觉上令人愉悦的结果，但扩散概率模型（DPM）的计算成本一直是其长期存在的缺陷，这反过来又大大限制了其在资源有限的平台上的应用。然而，之前对高效DPM的方法大多集中在加速测试，而忽视了它们的巨大复杂性和规模。在这篇论文中，我们致力于减轻DPM的负担，同时努力保持其有利的性能。**我们首先从头开始训练一个小型的潜在扩散模型（LDM），但观察到合成图像的显著失真。通过全面评估，我们发现DPM本质上对高频生成有偏见，并学习在不同的时间步长恢复不同的频率成分。
2023-10-10 15:32:21
264
翻译 [学习笔记]冷扩散 Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise
此外，为了证明几乎可以反转任何变换，我们包括了一种被称为变形的新变换，即我们迭代地将CelebA的人脸变换为AFHQ的动物脸。这仍然从图像中删除了所有信息，但它允许我们从不同颜色的图像开始，通过算法2从学习的分布中恢复不同的样本。我们讨论使用基于噪声的退化的图像生成。我们考虑基于高斯模糊操作（与高斯噪声相反）的广义扩散，其中步骤t处的图像比t−1处的图像具有更多的模糊。从高温（大噪声）状态开始，慢慢冷却到几乎没有噪声的“冷”状态，明确地表明，在扩散模型中，噪声不是必要的，并且去除噪声对许多逆问题有影响。
2023-10-10 15:08:37
1025
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人