扩散模型学习

扩散模型推理讲解

代码学习

代码参考链接

网络结构： 代码主要分为以下几块：Unet、GaussianDiffusion、Trainer

U-Net
论文的源代码采用 UNet 实现对 ${ϵ}_{\theta }(x_t,t)$ 的预测，整个训练过程其实就是在训练 UNet 网络的参数。无论在前向过程还是反向过程，Unet 的职责都是根据当前的样本和时间 t 预测噪声。

Gaussion Diffusion
前向过程：从 1 到 T 的时间采样一个时间 t，生成一个随机噪声加到图片上，从 UNet 获取预测噪声，计算损失后更新 UNet 梯度。
反向过程：先从正态分布随机采样和训练样本一样大小的纯噪声图片，从 T-1 到 0 逐步重复以下步骤：从 $x_t$ 还原 $x_{t-1}$。

采样