blanklog的博客

从t时刻的扩散噪声中一步步恢复出真实数据分布，模型预测t时刻的噪声，用来采样t-1时刻的图像。第二项无参数，只优化第一项和第三项即可，第一项可看作第三项T=1的情况。推导：逆向过程服从高斯分布，均值和方差跟,x0,xt和扩散参数有关。添加了一个约束假设，既p(z|x)服从N(0,1)分布。的分布 ，然后通过生成器从这个分布中进行采样。的分布 ，然后通过生成器从这个分布中进行采样；假设：前向扩散过程噪声服从N~(0,1)分布。根据 t 时刻的图像预测其t时刻的噪声，使得。的分布与真实的分布相近。

预测 [x,y,w,h,confidence, x1,y2,w2,h2,confidence2,classScore*20], 非anchor形式。预测：[tx,ty,tw,th,confidence, class*20]*5 ,5种anchor。预测：N*N*[3*(1+4+80)] ，每个网格预测三个anchor box。CSPDarknet53 主干，Mish 激活，Dropblock正则化。SPP模块，FPN+PAN，使用anchor的预测形式。

4x4, 2x2,1x1区域的maxpooling，让任意大小图像最终输出最终特征维度始终为 （16+4+1)*256。通过kernal [1,2,3,6] 池化，得到不同尺度的特征图，1x1卷积后上采样到原始尺度cat起来。[6,12,18，inf]的空洞卷积，全局pooling+上采样，之后全部cat起来。让任意大小图像最终输出的特征维度始终固定，便于接全链接层。不进行降采样的前提下，扩大感受野，融合不同尺度的特征。增强模型对多尺度上下文信息的捕获能力。

3. 卷积块可采用restNetBlock，分离卷积block等。三个网络差不多，UNet名字最直观，后续流传最广的也是Unet。1. 使用padding抱持对称性，直接进行特征cat。2. pixelShuffer作为上采样方式。