- 博客(4)
- 收藏
- 关注
RSS订阅原创 扩散模型从原理到实践-第四周
DDIM Inversion每一步都会产生误差，对于无条件扩散模型，累积误差可以忽略。但是对基于classifier-free guidance（w >1）的扩散模型，累积误差会不断增加，DDIM Inversion最终获得的噪声向量可能会偏离高斯分布，再经过DDIM采样，最终生成的图像会严重偏离原图像，并可能产生视觉伪影。
2023-11-08 15:33:43
3321
1
原创 扩散模型从原理到实践-第三周
任务三：Stable Diffusion原理与实战打卡内容：学习笔记作业：自行组装stable diffusion 并提交几个生成结果当我们处理的图像尺寸增大时，需要的计算能力也随之增加。特别是在执行一种叫做“自注意力”的操作时，所需的计算量会随着输入数量的增加而平方级增长。例如，一个128像素的正方形图像比64像素的正方形图像有4倍多的像素点，因此在自注意力层中它需要16倍（即4的平方）的内存和计算能力。对于希望生成高分辨率图像的人来说，这是一个大问题！潜在扩散技术通过使用一个名为变分自编码器（VAE）的
2023-11-02 21:41:34
534
原创 扩散模型从原理到实践-第一周
生成模型在深度学习中，⽣成模型的⽬标是根据给定的样本（训练数据）⽣成新样本。⾸先给定⼀批训练数据X，假设其服从某种复杂的真实分布p(x)，则给定的训练数据可视为从该分布中采样的观测样本x。如果能够从这些观测样本中估计出训练数据的真实分布，不就可以从该分布中源源不断地采样出新的样本了吗？⽣成模型实际上就是这么做的，它的作⽤是估计训练数据的真实分布，并将其假定为q(x)。在深度学习中，这个过程称为拟合⽹络。那么问题来了，怎么才能知道估计的分布q(x)和真实分布p(x)的差距⼤不⼤呢？
2023-10-20 20:58:21
396
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