![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
diffusion
文章平均质量分 86
机械系的AI小白
这个作者很懒,什么都没留下…
展开
-
DDPM代码详解(一)
比如一个batch有四个样本,每个样本的步长在[1, 1000]中随机生成,比如可以是[50, 100, 94, 786]。5. 接下来要实现逆向生成过程:逆向生成过程也是按照前面原理部分的公式得到的,只是把数学公式用代码表达而已。由于默认总步数是1000步,但是为了适配不同的定义,可以自己指定总步数,因此这里就会对每一步的步长进行缩放。至此,原始DDPM的代码已经实现了,还差一个生成噪声的network的定义,之后将在下一次代码详解中介绍。首先我们从整体来思考一下,DDPM的代码实现,会包含哪些部分。原创 2024-03-23 22:43:54 · 2068 阅读 · 1 评论 -
Diffusion简介
简单介绍图像生成diffusion原创 2024-03-23 20:35:29 · 1624 阅读 · 0 评论 -
Diffusion原理详解(二:逆向过程原理)
当然如果对公式推理感兴趣的同学,可以阅读一下原文,公式推导的过程其实也是一个很好的思维锻炼的过程。以𝜽为模型参数,反向生成的原始图像的分布,与真实原始图像的分布的,距离, 不大于 (≤), 各个阶段(𝑡 = 0,𝑡 = 1, 𝑇 − 1 ,𝑡 = 𝑇)以𝜽为模型参数, 反向生成的图像分布与该阶段真实图像分布的 距离 【KL-Divergence】和。公式(11)中红色的部分,这个式子里面出现的都是前向过程的参数,而根据文章最开始列出的前向过程推导公式,这个式子的分布我们是可以表达出来的。原创 2024-03-17 22:44:49 · 2592 阅读 · 0 评论 -
Diffusion原理详解(一:前向过程原理)
在之前diffusion简介中,简单的描述了diffusion的基础原理,我们知道了diffusion有两个过程,这里将详细介绍一下这两个过程以及数学原理。在这个加噪的过程中,我们假设当前的图像只依赖前一个时刻的图像和新加的噪声(假设加噪的过程符合马尔科夫过程)。至此,通过完整的公式推导, 介绍了diffusion的前向过程的原理,之后将继续介绍diffusion的逆向过程原理。前向过程是一个逐步加噪的过程,每一步加入的都是随机的高斯噪声,这里我们把 t 时刻的图像记为。根据公式(8)可以一直推到用。原创 2024-03-16 23:57:23 · 479 阅读 · 0 评论