墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
516平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
DDPM
总体训练原理
https://www.bilibili.com/video/BV1nB4y1h7CN/?spm_id_from=333.337.search-card.all.click&vd_source=f745c116402814185ab0e8636c993d8f
讲得很好：每次都是输入t和noise-x的图像，预测noise之后得到和加入的noise比较；
推理的时候是给一个xt-全部都是噪声和t，然后t–去噪；每次都是随机生成的噪声，每一次减噪都是对应该随机噪声的model了之后的结果，每次生成的图都不一样。
deblur diffusion原理
扩散模型与强化学习协同训练：TDM-R1实现GenEval 92%突破
扩散模型作为主流文生图基础架构，其生成保真度高但语义可控性弱；强化学习擅长目标对齐却面临奖励稀疏、轨迹失焦等挑战。二者融合并非简单叠加，而是需在去噪过程注入可微分的细粒度奖励信号，并构建语义一致的生成轨迹。TDM-R1通过轨迹驱动机制、过程级Reward Head与Trajectory-Consistency Loss，首次将强化学习深度嵌入扩散主干，在GenEval等严苛逻辑评测中实现从61%到92%的实质性跃升，为AIGC可控生成提供了可解释、可复现、可迁移的新范式。
Deblurring via Stochastic Refinement 论文笔记
成功将扩散模型应用到了去模糊任务上，增强了生成清晰图片的随机过程，使得最后出来的图片并不是唯一的，但是在人眼观察重建质量上取得了很好的效果，并且在PSNR等指标上也有一定的可比性。此外，论文还认为这两个方向上的指标是相反的，即不能兼顾，一项高就使得另外一项必然会低。最大的亮点是在模型中提出了残差的思路，使得推理速度加快，并且加上初始的推理取得了不错的效果。另外，模型还有很多提升的空间，例如可以采用Unet的结构优化初始推理过程。
【人工智能】深度学习：扩散模型(Diffusion Model) [1]
扩散模型 (Diffusion Model)是一类受到非平衡热力学 (non-equilibrium thermodynamics)启发的深度生成模型。这类模型首先定义前向扩散过程的马尔科夫链 (Markov Chain)，向数据中逐渐地添加随机噪声；然后学习反向扩散过程，从噪声中构造所需的数据样本。扩散模型也是一类隐变量模型，其隐变量通常具有较高的维度（与原始数据相同的维度）。扩散模型的主要优点：扩散模型的主要缺点：本文目录：本节介绍离散型扩散模型的基本原理，主要思路如下：给定从真实数据分布q(x)q(\
扩散模型学习笔记（1）
本文很大程度上参考了Diffusion Model 扩散模型-[通俗易懂+代码讲解]（一） - 知乎 (zhihu.com)以及https://blog.youkuaiyun.com/m0_63642362/article/details/127586200，https://segmentfault.com/a/1190000043744225 相当于一个学习笔记。在一些步骤上进行了补充，但由于博主刚开始学习，还是存在一些不理解的地方。
Oracle GoldenGate (OGG) 实战：从安装到故障排查的完整避坑指南
本文提供了一份详尽的Oracle GoldenGate实战指南，涵盖从环境准备、核心进程配置到性能调优与故障排查的全过程。重点解析了OGG安装与部署中的常见陷阱，并分享了确保数据同步链路稳定运行的高级运维技巧与常见故障处理方法，帮助技术人员高效避坑。
Cesium进阶学习四、shadertoy（着色器）
Cesium进阶学习着色器
扩散模型学习笔记1
参考文献：扩散模型《学习者手册》李宏毅老师的扩散模型课程
基于PYNQ-Z2复现yolov2
基于PYNQ-Z2复现Yolo_v2 参考资料：源项目工程 开发板配置 0 使用说明 0.1 简介 本文档主要分为三个部分： [1] 搭建HLS工程生成Yolo_v2的IP。 [2] 在Vivado中使用生成好的IP进行block design，导出bit文件和tcl文件。 [3] 将相关文件导入至PYNQ-Z2板中，在Jupyter Notebook上进行编程实现。 0.2 所需硬件 PYNQ-Z2开发板、USB数据线、网线 SD卡、读卡器 0.3 所需软件 Vivado 2018.3 V
【扩散模型学习1】Diffusion Model概念讲解
图3 denoise模块结构如图3所示：①Noise Predicter：用来预测输入的图片里面的noise长什么样，输出一张Noise的图②输入的图片 - Noise图 = 输出denoise之后的结果FID越小越好，CLIP越大越好CNN是一个用来分类的训练好的网络计算生成的图（蓝点）和真实的图（红点）距离，距离越小，FID越小，说明效果越好需要大量的图片才能算出比较准确的FID图15 FID原理是400个million的image-text pairs训练出来的模型。
PostgreSQL高可用之主备复制
多个PostgreSQL可协同工作，如果主库发生宕机备库将迅速进行接管并对外提供服务以实现高可用。本文将从主备复制、主备切换、故障转移等角度进行实际测试演练。第一章主备复制是基础，通过主备复制可以得到一个或多个相同的实例。在主备复制的基础上通过第二章主备切换介绍了如何手工将主库与备库互换角色。在第三章中，采用了Keepalived进行实时监测，在主库宕机后，使用主备切换中提到的命令使备库升级为主库并对外提供服务，以达到PostgreSQL高可用的目标。
几何非线性-屈曲分析
结构系统的破坏分为两种，一类是因材料软化而引起的强度破坏，另一类是几何软化使得结构的几何形状发生极大变化，从而使结构丧失承载能力。在材料力学中是这样定义压杆失稳的：中心受压直杆(理想模型)在直线状态下平衡，由稳定平衡转化为不稳定平衡时所受的轴向压力的界限值，称为临界压力。中心受压直杆在临界压力的作用下，其直线形态的平衡开始丧失稳定性，简称为失稳。显然，这个定义只使用于理想的压杆模型，那么关于失稳和屈曲是否存在一般性定义呢？
扩散模型Diffusion Models学习(1)
扩散模型Diffusion Models学习
一个开源的AI数据分析工具，与数据对话，一键生成SQL、图表、表格、报告和智能商业分析。
Wren AI是一个开源的AI智能代理，让用户能够跟数据对话，实现从文本到SQL的转换，还能生成图表、电子表格、报告以及商业智能分析。它支持多种语言，能深入挖掘数据价值，提供智能数据探索功能，通过语义索引和精心设计的界面，让用户无需写代码即可获取洞察。Wren AI采用独特的架构，包含Wren UI、Wren AI Service和Wren Engine三大核心服务，可部署在本地或云端，助力团队高效、安全地解锁数据潜力。
DDPM（扩散模型）学习记录1
摘要：本文简要介绍了去噪扩散概率模型(DDPM)的基本原理，包括加噪和去噪两个核心过程。加噪过程通过逐步添加高斯噪声将图片转化为随机噪声，而去噪过程则通过U-Net网络学习预测并去除噪声。文章重点分析了U-Net的结构设计，包括编码器-解码器架构、跳跃连接和时间步嵌入等关键组件，解释了它们如何协同工作来实现有效的噪声预测。同时阐述了在生成阶段采用随机采样而非直接减噪的数学依据，这保证了生成结果的多样性和理论合理性。本文主要为作者自身学习记录，不涉及具体代码实现。
self‑improving‑agent 安装与配置指南（OpenClaw）
长期记忆错误反思用户偏好学习持续进化AI → 反思 → 学习 → 改进。
Hermes Agent 安装部署完全指南
Hermes Agent安装部署指南提供了两种安装方式：一键脚本安装和手动分步安装。该AI助手支持多平台运行（Linux/macOS/WSL2），核心功能仅需Git作为前置依赖，其他依赖如Python、Node.js等均由安装脚本自动处理。文档详细介绍了系统要求、依赖管理、配置目录结构、环境变量设置以及10个手动安装步骤，并提供了功能模块化选项，用户可根据需求选择安装语音交互、浏览器自动化等扩展功能。安装完成后可通过hermes doctor命令验证环境，并通过交互式向导完成初始化配置。
【深度学习】Diffusion扩散模型原理解析1
1、前言 diffusion，这几年一直很火的模型，比如这段时间在网上的文生图大模型——Stable diffusion。就是以diffusion作为基底模型，但由于该模型与VAE那边，都涉及了较多了概率论知识，实在让人望而却步。所以，本文将对diffusion进行数学原理推导，如果你没有上过概率论这门课，建议先去学。 论文： ①Deep Unsupervised Learning using Nonequilibrium Thermodynamics (arxiv.org) ②Denoising Diff
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
学习《扩散模型 从原理到实战》1---扩散模型
扩散模型是一种生成模型，从训练数据中学习真实分布 得到估计的分布 ，再从分布中源源不断采样新的样本。训练即是用最大似然估计方法，找到所有数据训练样本采样自 的概率最大。扩散模型应用于计算机视觉、时序数据预测、自然语言、基于文本的多模态、AI for Science。--来自《扩散模型 从原理到实战》
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
【扩散模型Diffusion Model系列】1-一篇文章带你快速入门扩散模型Diffusion Model，个人入门学习路线+优质学习博客资料
一篇文章带你快速入门扩散模型
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
扩散模型与强化学习结合：TDM-R1高效样本利用方法
强化学习中的样本效率问题一直是研究热点，传统方法往往需要大量交互数据才能达到理想性能。扩散模型作为一种新兴的生成模型，能够有效学习数据分布并生成高质量样本。TDM-R1创新性地将扩散模型的轨迹生成能力与强化学习的策略优化相结合，通过先学习整体轨迹分布再微调局部策略的范式，显著提升了学习效率。该方法在MuJoCo基准测试中仅需传统方法1/10的交互步数就能达到相当或更好的性能，特别适用于机器人控制等需要高效学习的场景。关键技术包括分层扩散模型设计、混合损失函数以及两阶段训练流程，为解决强化学习样本效率问题提供
扩散模型与强化学习融合：TDM-R1的高效生成优化方案
扩散模型作为生成式AI的核心技术，通过逐步去噪过程实现高质量内容生成，但其传统实现面临计算成本高和优化目标受限的挑战。TDM-R1创新性地引入强化学习机制，通过非可微分奖励信号直接优化生成质量，解决了传统方法依赖可微分损失的局限。该技术采用双网络结构和步数感知机制，在图像生成任务中可减少50-70%的扩散步数，同时提升输出质量。典型应用场景包括数字艺术创作和工业设计原型生成，其中艺术创作辅助案例显示用户满意度提升18%，生成耗时降低66%。关键技术突破在于分层强化学习框架和基于GAE的优势估计，有效处理了高
2023.10DataWhale扩散模型学习笔记——Week1
扩散模型是一种生成模型。生成模型的学习目标是对训练数据的分布进行建模。扩散模型的扩散过程包含前向过程和反向过程。前向过程给数据添加噪声；反向过程则是去除噪声，从随机噪声中恢复清晰数据。HuggingFace是一个开源机器学习平台。HuggingFace为我们提供了：1. 超过7万份可供模型训练的数据集（截止2023.10）2. 超过36个开源预训练模型。模型配有模型卡对该模型进行描述和使用方式的说明3. 在线推理:打开。
扩散模型（1）- 原理学习
1.训练过程：随机抽取一个时间步（不需要每个时间步都计算，过程太久太复杂），计算高斯噪声与当前时刻输入带噪图像Xt和时间步t预测出来的噪声的损失函数。2.采样（推理过程）：从T时刻输入标准正态分布随机采样的噪声，通过T->1时刻的逐步推理得到预测的干净图像X0。1.关键点：用神经网络模拟加噪声逆向操作的均值和方差，然后用后一步的分布减去逆向操作的分布，得到该时刻的图片。**GAN：**用一个判别器判断该图是否是我们需要的图，再用生成器生成图片。中采样出新的符合另一个正态分布的X。2.怎么求t-1时刻分布。
国风美学生成模型v1.0生成原理浅析：从扩散模型到中国风审美学习
本文介绍了国风美学生成模型v1.0的技术原理，并说明用户可在星图GPU平台上自动化部署LiuJuan20260223Zimage镜像，快速搭建AI绘画环境。该模型基于扩散模型技术，通过海量国风数据训练，能够根据文本提示自动生成具有中国风审美意蕴的图片，适用于艺术创作、文化内容生成等场景。
mirrors/ali-vilab/text-to-video-ms-1.7b学习路径：从扩散模型基础到实战开发的6个月计划
本文以开源**文生视频扩散模型** text-to-video-ms-1.7b 为实战对象，为新手规划一条从扩散模型基础到 AI 视频生成实战开发的完整 **6 个月学习路径**。无论你是想搞懂"文字如何变成视频"的底层原理，还是想在本地跑起来一个 17 亿参数的视频生成模型，都可以直接照着这份路线图执行。 ## 📦 项目结构速览：这个文生视频模型里有什么 text-to-video-ms-
SD1人工智能生成模型知识点学习, 高维/低维，扩散模型(一)
本文介绍了三维重建中的关键概念，重点阐述了高维与低维数据的区别，以及如何通过潜在空间实现数据降维。详细讲解了扩散模型的原理，包括加噪和去噪过程，并深入分析了潜在扩散模型(LDM)的结构和工作机制，特别说明了其在Stable Diffusion(SD1)中的应用。文章还探讨了U-Net架构在潜在空间去噪中的作用，以及如何通过交叉注意力机制实现条件控制生成。这些内容为理解3D生成和3D打印的交叉研究提供了理论基础。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
308
扫一扫
