An In-Depth Guide to Denoising Diffusion Probabilistic Models DDPM – Theory to Implementation
中文翻译:DDPM扩散概率模型去噪深度指南——理论到实现https://learnopencv.com/denoising-diffusion-probabilistic-models/#forward-diffusion-equation
https://github.com/spmallick/learnopencv/tree/master/Guide-to-training-DDPMs-from-Scratch
扩散概率模型是一个令人兴奋的新研究领域,在图像生成方面显示出巨大的前景。回想起来,基于扩散的生成模型于2015年首次引入,并于2020年推广,当时Ho等人发表了论文“去噪扩散概率模型”(DDPM)。DDPM负责使扩散模型实用。在本文中,我们将重点介绍DDPM背后的关键概念和技术,并在“花”数据集上从头开始训练DDPM,以实现无条件图像生成。
无条件图像生成
在DDPM中,作者改变了公式和模型训练程序,这有助于提高和实现与GAN相媲美的“图像保真度”,并确立了这些新生成算法的有效性。
完全理解“去噪扩散概率模型”的最佳方法是复习理论(+一些数学)和底层代码。考虑到这一点,让我们探索学习路径,其中:
- 我们将首先解释什么是生成模型以及为什么需要它们。
- 我们将从理论的角度讨论基于扩散的生成模型中使用的方法
- 我们将探索理解去噪扩散概率模型所需的所有数学。
- 最后,我们将讨论DDPM中用于图像生成的训练和推理,并在PyTorch中从头开始进行编码。
1. 生成模型的必要性
基于图像的生成模型的工作是生成相似的新图像,换句话说,是我们原始图像集的“代表”。
我们需要创建和训练生成模型,因为可以用(256x256x3)图像表示的所有可能图像的集合是巨大的。图像必须具有正确的像素值组合来表示有意义的东西(我们可以理解的东西)。
An RGB image of a Sunflower
例如,为了使上面的图像代表“向日葵”,图像中的像素需要处于正确的配置中(它们需要具有正确的值)。而这些图像存在的空间只是(256x256x3)图像空间所表示的整个图像集的一小部分。
现在,如果我们知道如何从这个子空间中获取/采样一个点,我们就不需要构建“生成模型”。然而,在这个时间点,我们不需要。
标签:Diffusion,mathbf,概率模型,sqrt,DDPM,图像,alpha,扩散,theta From: https://www.cnblogs.com/zhangdoudou/p/18537276