I2SB: Image-to-Image Schrödinger Bridge（扩散模型学习）

已于 2024-03-31 13:45:07 修改
阅读量487 收藏 8
点赞数 3
分类专栏： 扩散模型 深度学习 医学图像 文章标签： 学习
于 2024-03-25 15:12:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43309908/article/details/136996896
版权

文章目录

一、I2SB

1.解决非线性扩散
2.Schrödinger Bridge
3.适用于图像恢复任务

在这里插入代码片

这里是引用

二、Diffusion Model（李宏毅）

扩散模型 - Diffusion Model【李宏毅2023】

1. 框架：

三部分（1）理解输入Encoder（GPT、Bert）（2）加入噪声生成中间产物(Network)（3）生成图片Decoder（不需要文字）
在这里插入图片描述

1.1 Text Encoder

在这里插入图片描述

1.2

1.3【中间产物】为小图或网络训练的结果

在这里插入图片描述

2. 评价指标

真实图片和生成图片扔进Pretrain-CNN看最后一层特征的相似度。结果越小越好
在这里插入图片描述

2. 原理

在这里插入图片描述
在这里插入图片描述

1. Training

生成预测的噪声
Ground Truth，训练数据
在这里插入图片描述

2.2 Sampleing

在这里插入图片描述
在这里插入图片描述
流程（DDMP）
在这里插入图片描述

三、数学推导

简单的分布生成复杂的分布
如何评估：极大似然估计（极大似然估计就是在只有概率的情况下，忽略低概率事件直接将高概率事件认为是真实事件的思想。）
极大似然估计和最小化交叉熵损失（KL散度）完全等价

某一张图的几率

在这里插入代码片

这里是引用

4. DDPM（Denoising Diffusion Probabilistic Models）

DRMAOO
关注
  • 3
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
qsim:用于量子电路的Schrödinger和Schrödinger-Feynman仿真器
04-15
qsim qsim是Schrödinger全状态向量模拟器。 它计算状态向量的所有2 n个幅度，其中n是量子位的数量。 本质上，模拟器反复执行矩阵矢量乘法。 一个矩阵向量乘法对应于施加一个门。 总运行时间与g2 n成正比，其中g是2...
论文研究 - Klein-Gordon和Schrödinger方程的Lie对称性
05-29
在本文中，我们通过将Noether点对称的几何概念应用于以下定义的Lagrangian，研究Klein-Gordon方程和Schr？dinger方程的Lie点对称性。 此外，我们在与Klein-Gordon和Schr？dinger方程有关的Lie对称性之间建立了牢固的...
（2024，SDE，对抗薛定谔桥匹配，离散时间迭代马尔可夫拟合，去噪扩散 GAN）
qq_44681809的博客
05-26 1053
薛定谔桥问题结合最优输运和扩散模型，可用 IMF 求解，但推理时间较长。为此，本文提出 D-IMF，其中随机过程的学习被替换为仅在离散时间内学习几个转移概率​，它可通过 DD-GAN 实现，从而仅用几步实现与 IMF 相同质量的无监督域迁移
（2023|PAMI，diffusion & 综述）视觉扩散模型
qq_44681809的博客
09-03 1466
三个通用扩散建模框架；扩散模型和其他深度生成模型之间的关系；扩散模型的应用；当前局限，设想未来。
量子力学接替扩散模型？S-DSB：任意两个分布之间进行双向生成！
CV_Autobot的博客
05-22 118
作者|CW不要無聊的風格 编辑| 极市平台原文链接：https://zhuanlan.zhihu.com/p/696121622/点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『扩散模型』技术交流群本文只做学术分享，如有侵权，联系删文导读来看看S-DSB到底是个什么东西！邂逅前段时间的某个早上，在“晨例”喝手...
扩散模型：DDPM的两种数学推导
weixin_37737254的博客
04-14 1206
在上一篇文章最后结尾时，笔者提到扩散模型(Diffusion Models)实际上就是一种在限定条件下的马尔可夫层次变分自编码器(Markovian Hierarchical Variational Autoencoder, MHVAE)，是融入了马尔可夫过程的VAE模型。其本质上和VAE的流程有相似之处，都是经过原始图像->高斯噪声图->生成图像的三个步骤。本文将接续上一篇关于ELB...
扩散模型 - Diffusion Model【李宏毅2023】学习笔记 数学原理篇
QianMo的博客
09-27 575
这里的alpha为参数，采样得到的t越大说明噪音越大，原图所占比例越小，这里的t为当前去噪下标。
使用Schrödinger Python API系列教程 -- 介绍 (一)
发呆的比目鱼的博客
04-12 1457
使用Schrödinger Python API系列教程(一)
推荐：Unpaired Neural Schrödinger Bridge —— 开启图像转换新纪元
gitblog_00012的博客
06-20 309
推荐：Unpaired Neural Schrödinger Bridge —— 开启图像转换新纪元 项目地址:https://gitcode.com/cyclomon/UNSB 在深度学习领域，尤其是计算机视觉中，Unpaired Neural Schrödinger Bridge（UNSB） 的出现如同一股清流，为无监督的图像到图像翻译开辟了新的道路。该项目基于PyTorch框架实现，在国际顶...
【Schrödinger薛定谔软件使用实战】- 4lyw蛋白实战
bblb的博客
05-01 1260
带来薛定谔软件的使用4lyw蛋白实战教程
Paper Reading:Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
yihool_的博客
06-02 530
1.Introduction 问题提出：在Image-to-Image模型中，缺少成对的训练样本。 本文提出了一个在缺少成对样本中能够实现讲Image-A转变为Image-B的方法。 提出一个能够学习不成对图片之间关系的算法。 对于传统的GAN，如果给生成器输入随机X使其输出Y，然后使判别器对Y和yreal进行判别，那么最终会学到一个类似于Yreal的分布。这种方式存在两个问题： 第一个是无法保证以一种特定的方式实现单个x到y的映射，因为这里有无限多种映射可以实现Y。 第二个是在训练过程中很容易产生模式坍塌
论文研究 - 具有位置相关质量的Schrödinger方程中的一类新的精确可解模型
05-21
在本文中，我们使用一种新方法，该方法是我们最近开发的一种用于在Schr？odinger方程中构建量子动能算子（KEO）的方法，目的是构造一类具有位置变化质量的可精确求解的新模型，从而提供一个谐波类振荡器频谱。 为此...
Quantum_PEF2:Python程序以数值方式求解任意势能的Schrödinger方程
05-17
一种求解Schrödinger方程的数值方法。 量子力学被认为是物理学中最怪异的分支之一，尽管具有最准确，反直觉的预测，但它却具有最多的预测。 问题不在于理论，而在于它试图解释的东西：微观世界。 此外，由于薛定...
充电学习—7、BC1.2 PD协议
wangyongh的博客
06-18 510
PD（portable device，便携式设备）中有个检测VBUS是否有效的电路，电路有个参考值，高于这个值认为VBUS有效，参考值不固定，一般在0.8V~4V之间。首先将PD+即设备的DP拉高至0.6V，然后检测PD-即设备DM的电压，如果小于规定的参考电压，则端口是数据口SDP；首先将PD-拉高至0.6V，然后检测PD+的电压，如果小于参考电压，则端口是CDP；PD快充充电时，DCP协议识别过程，首次检测和二次检测符合BC1.2规定，初始VBUS是5V，识别出DCP之后将VBUS提高至9V。
llama系列模型学习
最新发布
weixin_40777649的博客
06-21 1027
而使用强化学习方法，则可以通过定制奖励函数，将正确答案赋予非常高的分数，将放弃回答的答案赋予中低分数，将不正确的答案赋予非常高的负分，使得模型学会依赖内部知识选择放弃回答，从而在一定程度上缓解模型的幻觉问题。与Llama 1 一样，将所有数字拆分为单独的数字，并使用字节来分解未知的 UTF-8 字符。这主要原因是用于训练语言模型的大数据语料库在收集时难免会包含一些错误的信息，这些错误知识都会被学习，存储在模型参数中，相关研究表明模型生成文本时会优先考虑自身参数化的知识，所以更倾向生成幻觉内容。
用于视觉对象跟踪的序列到序列学习
weixin_48833388的博客
06-21 694
无
schrodinger教程
08-15
Schrödinger教程提供了丰富多样的学习资源和实例，帮助用户掌握如何建立分子模型、进行能量优化、计算光谱等。通过这些实践演示，用户可以学习如何正确选择和使用合适的计算方法，并根据不同问题的需要进行参数设置...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值