![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Diffusion Model
文章平均质量分 62
马鹏森
这个作者很懒,什么都没留下…
展开
-
Attribute Manipulation(属性编辑)、disentanglement(解纠缠)常用的两种做法:线性探针和PCA
解纠缠也对应于属性编辑,比如人脸的属性编辑,将人脸变微笑、变衰老,其中每一个属性变化也对应了一种有意义的latent direction。想要应用这种direction可以分为两种方式:有监督的linear-probe(线性探针)和无监督的PCA方式。原创 2024-07-30 08:18:06 · 96 阅读 · 0 评论 -
DALL-E、Stable Diffusion 等 20+ 图像生成模型综述
类别条件生成是非常常见的一种场景,也有许多相关的任务,其中 ImageNet 是最常见的一种,ImageNet 常用于图像分类任务,每个图像都有一个类别标签,总共有 1000 个类别。在图像生成领域,可以指定对应的类别标签,然后让模型按照类别生成图像。有条件生成是指生成模型在生成图像时受到额外条件或上下文的影响。或者在生成特定类别的图像时,提供类别标签。无条件生成是指生成模型在生成图像时不受任何额外条件或约束的影响。模型从学习的数据分布中生成图像,而不需要关注输入条件。原创 2024-07-04 17:23:28 · 400 阅读 · 0 评论 -
diffusion model中条件生成、无条件生成中label y怎么设置?
所以你在无条件生成中,将y设置为一个任意一样的值(例如3),它只有3的嵌入向量会更新,其他标签(0、1、2、4到999)的嵌入向量不会被更新,所以虽然在训练过程中使用了某个标签,但是它是固定的,所以。标签y的本质来源于nn.Embedding(),y维护了嵌入表。原创 2024-07-04 09:52:01 · 418 阅读 · 0 评论 -
q、p是什么意思?代码中的q_XXX、p_XXX分别代表了什么意思?
在生成模型的训练过程中,目标通常是使模型分布p尽可能地接近真实分布q。为了量化p和q之间的差异,可能会使用各种距离度量(如KL散度、JS散度、Wasserstein距离等)作为损失函数的一部分来优化。q(有时也用p_data表示)一般代表真实的数据分布,而p(有时也用p_model表示)是由神经网络或其他概率模型建模出的分布。:模型预测出的分布的均值和方差。:真实的分布的均值和方差。原创 2024-04-22 09:34:17 · 165 阅读 · 0 评论 -
RCG自条件是如何添加到 Pixel Generator上的?
从forward函数中,可以看到,在MAGE中,是使用rep。原创 2024-03-30 15:33:08 · 320 阅读 · 0 评论 -
RCG如何将带有噪声的表征+条件输入RDM并得到去噪的表征
很简单的一个模型,整体来说就是将“内容(图像)” + “图像所对应的标签” + “每个噪声表征对应的时间步Timestap”分别输入进线性层Layer,然后将他们的表征相加(+)即可先执行步骤1一次,步骤2-7重复N次,然后再执行步骤8。原创 2024-03-28 16:07:20 · 292 阅读 · 0 评论 -
Diffusion添加噪声noise的方式有哪些?怎么向图像中添加噪声?
添加噪声的方式大致分为两种,一种是每张图像在任意timestep都加入一样的均匀噪声,另一种是按照timestep添加不同程度的噪声。原创 2024-03-28 08:12:47 · 935 阅读 · 0 评论 -
low-density regions of the training data manifold(训练数据流形中的低密度区域)是什么?“low-density regions”是什么?
生成来自训练数据流形中低密度邻域的样本,意味着尝试创建新的数据点,这些点代表了训练集中较为稀有或异常的情况。低密度指的是在数据流形的某个区域内,数据点相对稀疏,代表了较少见或者异常的数据模式。数据流形是数据在多维空间中的几何表示。原创 2024-03-15 19:50:44 · 182 阅读 · 0 评论 -
扩散模型(diffusion model)中的“likelihood”是什么意思?
训练扩散模型的目的之一是最大化这个似然性,也就是使模型更好地学习如何从噪声中重构出真实的数据分布。在扩散模型(Diffusion Models)中,似然性(Likelihood)指的是。原创 2024-03-15 15:07:57 · 201 阅读 · 0 评论 -
DDPM、DDIM区别与联系
这使得ddimm能够更快地从噪声中生成清晰的图像,因为它们可以走捷径,而不需要经过每一个小步骤就能获得清晰的图像。现在,对于ddimm,这个想法是类似的,但是ddimm不是在许多步骤中去除一点点噪声,而是找到了一种方法,只需几个步骤就可以去除大量噪声。因此,它们可以更快地清除有噪点的照片,因为它们每次都在清除噪点方面有更大的飞跃。ddim是ddpm的非马尔可夫变体,允许更快的采样,并可以提供确定性输出。关键思想是,它们改变了逆向过程的计算方式,在不牺牲质量的情况下,允许更少的步骤生成样本。原创 2024-03-15 10:13:51 · 1361 阅读 · 1 评论 -
diffusion常见VAE使用及其训练
Latent Diffusion Models 包含很多Kl8/4...的VAE,这些VAE可以使用自己的数据集进行预训练:网址:GitHub - CompVis/latent-diffusion: High-Resolution Image Synthesis with Latent Diffusion Models没有发现训练代码...他俩与“kl-f8-VAE”的区别:它们是为了增强stable diffusion人脸的训练- trained on LAION-aesthetics+human:The原创 2024-03-11 09:39:13 · 1526 阅读 · 0 评论 -
Latent Diffusion Models(LDM) / Stable Diffusion,Diffusion如何根据条件生成图像(文生图)?
这样一来,我们就可以利用编码器对图片进行压缩,然后在潜在表示空间上做diffusion操作,最后我们再用解码器恢复到原始像素空间即可,论文将这个方法称之为感知压缩(Perceptual Compression)。个人认为这种将高维特征压缩到低维,然后在低维空间上进行操作的方法具有普适性,可以很容易推广到文本、音频、视频等领域。在潜在表示空间上做diffusion操作其主要过程和标准的扩散模型没有太大的区别,所用到的扩散模型的具体实现为 time-conditional UNet。原创 2024-02-19 17:09:29 · 2124 阅读 · 0 评论 -
More Control for Free! Image Synthesis with Semantic Diffusion Guidance(SDG)
More Control for Free! Image Synthesis with Semantic Diffusion Guidance原创 2022-09-10 11:18:45 · 1812 阅读 · 0 评论 -
14篇论文拿捏Diffusion
读了14篇论文,终于会拿捏Diffusion了转载 2022-12-05 17:08:28 · 1539 阅读 · 0 评论 -
一文弄懂 Diffusion Model(DDPM)+ 代码实现
一文弄懂 Diffusion Model原创 2022-11-27 09:17:53 · 8188 阅读 · 6 评论 -
【CVPR 2022 Oral】(Diffusion Autoencoders)Toward a Meaningful and Decodable Representation
Diffusion Autoencoders: Toward a Meaningful and Decodable Representation原创 2022-11-24 10:18:27 · 2852 阅读 · 1 评论 -
Denoising Diffusion GAN:Tackling the Generative Learning Trilemma with Denoising Diffusion GANs
Diffusion Models和GANs结合原创 2022-11-22 20:56:09 · 1658 阅读 · 1 评论 -
【CVPR 2022】(LDM)High-Resolution Image Synthesis with Latent Diffusion Models
详细解读Latent Diffusion Models:原理和代码原创 2022-11-22 10:27:59 · 4964 阅读 · 1 评论 -
Diffusion-GAN: Training GANs with Diffusion 解读
Diffusion-GAN: Training GANs with Diffusion 解读原创 2022-11-19 10:54:17 · 7278 阅读 · 3 评论 -
(6)扩散模型 Diffusion Model 1-6 代码实现
(6)扩散模型 Diffusion Model 1-6 代码实现原创 2022-11-17 21:19:04 · 951 阅读 · 0 评论 -
(5)扩散模型 Diffusion Model 1-5 整理总结
(5)扩散模型 Diffusion Model 1-5 整理总结原创 2022-11-17 21:04:42 · 980 阅读 · 0 评论 -
(4)扩散模型 Diffusion Model 1-4 重建阶段(下)
(4)扩散模型 Diffusion Model 1-4 重建阶段(下)原创 2022-11-17 20:42:24 · 426 阅读 · 0 评论 -
(3)扩散模型 Diffusion Model 1-3 重建阶段(上)
(3)扩散模型 Diffusion Model 1-3 重建阶段(上)原创 2022-11-17 20:08:41 · 794 阅读 · 0 评论 -
(2)扩散模型 Diffusion Model 1-2 扩散阶段
(2)扩散模型 Diffusion Model 1-2 扩散阶段原创 2022-11-17 18:53:35 · 636 阅读 · 1 评论 -
(1)扩散模型 Diffusion Model 1-1 概述
(1)扩散模型 Diffusion Model 1-1 概述原创 2022-11-17 17:19:34 · 774 阅读 · 0 评论 -
Diffusion Model 相关文章(图像生成方面)
Diffusion Model 相关文章(图像生成方面)原创 2022-11-17 09:58:42 · 669 阅读 · 0 评论