Difussion Model 概念 学习记录


基于Denoising Diffusion Probabilistic Model(DDPM)

一、Denoising的步骤?

在这里插入图片描述
在图像的Denoise过程中会输入数字告诉模型在Denoising的哪一个步骤并产生相对应的噪声图像。

在这里插入图片描述
在Denoise过程即根据step的数字产生一个噪声然后用上一轮Denoise产生的图片减去生成噪声的图片,得到目标图片。

二、如何训练Noise Predictor

在这里插入图片描述
通过自己在图像上加噪声来得到Noise Predictor的训练资料(即加完噪声的图片和现在是第几次加噪声)。

在这里插入图片描述
当输入文字时,Noise Predicter会根据文字,step数,产生相对应的噪声图像,然后对上一轮产生的去噪图片进行去噪处理。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
扩散模型,也称为扩散方程模型,是用来描述在空间和时间上扩散过程的数学模型。下面是一个简单的扩散模型: 假设有一种物质在一个封闭的容器中扩散。这种物质的浓度分布可以用一个二维数组来表示,数组中的每个元素代表一个位置的浓度值。假设该物质的浓度在初始时刻只存在于容器的中心位置,并且向外扩散。 在每个时刻,每个位置的浓度都会受到周围位置浓度的影响,扩散方程可以表示为: $\frac{\partial c}{\partial t} = D\nabla^2 c$ 其中,$c$表示浓度,$t$表示时间,$D$表示扩散系数,$\nabla^2$表示拉普拉斯算子。这个方程描述了浓度在时间上的变化,即浓度随时间的变化率等于扩散系数和拉普拉斯算子的乘积。 为了模拟扩散过程,我们需要在每个时间步骤中,对每个位置的浓度进行更新。更新的公式如下: $c_{i,j}^{t+1} = c_{i,j}^{t} + D\Delta t\left(\frac{c_{i-1,j}^{t}+c_{i+1,j}^{t}+c_{i,j-1}^{t}+c_{i,j+1}^{t}-4c_{i,j}^{t}}{h^2}\right)$ 其中,$i$和$j$表示数组中的位置,$t$表示当前时刻,$\Delta t$表示时间步长,$h$表示空间步长。这个公式描述了浓度在空间上的变化,即每个位置的浓度等于当前浓度加上扩散系数、时间步长和邻居位置浓度的差值,再除以空间步长的平方。 通过不断迭代更新,我们可以模拟出扩散过程中浓度的变化。这个模型可以用来研究扩散过程的动力学特性,包括浓度分布、扩散速率等等。

“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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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