Diffusion Models (一) 初步认识

原创 已于 2022-11-25 14:12:22 修改 · 221 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#扩散模型 #深度学习 #生成式模型 #AI

于 2022-11-25 11:44:13 首次发布
本文记录了作者对近期热门的扩散模型的学习历程，初步了解了GAN、VAE、FLOW等技术，并计划深入研究相关领域的前沿论文。
部署运行你感兴趣的模型镜像

GAN - VAE - FLOW-Based - Diffsion models

最近扩散模型比较火，打算抽时间学习一下，本文进行学习记录，只是初步了解，后面再看领域内的相关论文。

您可能感兴趣的与本文相关的镜像

Qwen-Image-Edit-2509

Qwen-Image-Edit-2509

图片编辑
Qwen

Qwen-Image-Edit-2509 是阿里巴巴通义千问团队于2025年9月发布的最新图像编辑AI模型，主要支持多图编辑，包括“人物+人物”、“人物+商品”等组合玩法

Stable Diffusion 资源汇总：模型、插件、教程一网打尽
AI天才研究院
05-02 902
本文章的主要目的是为读者提供一个关于 Stable Diffusion 的全面资源汇总。范围涵盖了 Stable Diffusion 的核心概念、算法原理、实际应用案例，以及丰富的模型、插件和教程资源。无论是初学者想要了解基础概念，还是有一定经验的开发者希望深入研究和应用，都能从本文中获取有价值的信息。本文将按照以下结构进行组织：首先介绍核心概念与联系，让读者对 Stable Diffusion 有一个初步的认识；接着详细讲解核心算法原理和具体操作步骤，并结合 Python 代码进行阐述；
Stable Diffusion：前沿技术打造的图像内容生成引擎
AI天才研究院
06-02 656
在当今数字化时代，图像内容的需求呈现出爆炸式增长。无论是在广告设计、游戏开发、影视制作，还是在日常的社交媒体分享中，都需要大量高质量的图像。然而，传统的图像创作方式往往需要专业的艺术家花费大量的时间和精力，成本较高。Stable Diffusion作为一种基于深度学习的图像生成引擎，旨在打破这种创作瓶颈，能够根据用户输入的文本描述快速生成高质量的图像，大大提高了图像创作的效率和灵活性。
深度学习（7）---Diffusion Model概念讲解
m0_62881487的博客
02-04 3181
在扩散模型中，CLIP可以作为打通文本和图像的桥梁的核心模块，用于控制图像生成的过程。它分为正向的扩散过程和反向的逆扩散过程。正向扩散过程是往图片上加噪声的过程，即从无到有地添加噪声，直到得到纯噪声图片。(2) 每步添加高斯噪声的量是变化的，且后一步比前一步添加的高斯噪声更多。去噪过程不是说由一张图片生成另一张图片，而是在一张高噪声图片的基础上，减掉一个噪声图片从而得到另一张低噪声图片。3. 逆向过程：首先，我们会随机生成一个服从高斯分布的噪声图片，然后一步一步的减少噪声直到生成预期图片。
学习笔记（二）----diffusion model
weixin_52121118的博客
04-01 1701
（本文介绍的diffusion Model 是论文：Denoising Diffusion Probabilistic Models(DDPM)去噪扩散概率模型，DDPM是2020年提出，是AIGC主流生成模型）我们可以看到最近很火的text-to-image，通过给定文本描述生成图片，当前最先进的两个text-to-image是OpenAI的DALL E2和Google的Imagen，他们都是基于扩散模型来完成的。什么是扩散模型？|Lil'Log的 (lilianweng.github.io)
Diffusion Model原理详解
weixin_42620109的博客
03-18 5730
Diffusion Model（扩散模型 ）对标的是生成对抗网络（GAN），本文将用通俗的语言和公式为大家介绍Diffusion Model，并且结合公式为大家梳理Diffusion Model的代码。
​扩散模型(Diffusion Model)详解：直观理解、数学原理、PyTorch 实现​
周红伟讲AI
03-12 1万+
图像生成任务就是把随机生成的向量（噪声）映射成和训练图像类似的图像。为此，扩散模型把这个过程看成是对纯噪声图像的去噪过程。通过学习把图像逐步变成纯噪声的逆操作，扩散模型可以把任何一个纯噪声图像变成有意义的图像，也就是完成图像生成。对于不同程度的读者，应该对本文有不同的认识。图像生成任务的通常做法图像生成任务需要监督VAE通过把图像编码再解码来训练一个解码器扩散模型是一类特殊的VAE，它的编码固定为加噪声，解码固定为去噪声扩散模型的优化目标：让反向过程尽可能成为正向过程的逆操作。
【diffusion】扩散模型详解！理论＋代码
m0_63642362的博客
10-29 6万+
【diffusion】扩散模型详解！
人工智能学习笔记（2）：认识和安装Stable Diffusion
superatom01的博客
06-01 1349
摘要：Stable Diffusion是一种基于深度学习的生成模型，主要用于文本到图像的转换。Stable Diffusion 的厉害之处在于它可以在运行于大多数配备有合适 GPU 的个人计算机上，而且，它开源了项目代码和模型权重。这样一来，开发者就可以在它的基础上进行二次开发、做插件、做工具，这就有了如今结合 Stable Diffusion 流行起来的 Stable Diffusion WebUI、LoRA、ControlNet 等开源项目。
揭秘前沿Stable Diffusion技术的发展趋势
AI天才研究院
06-03 782
Stable Diffusion技术作为近年来在生成式人工智能领域备受瞩目的技术，具有强大的图像生成能力。本文的目的在于全面深入地分析该技术的发展趋势，不仅涵盖其技术原理、算法实现等基础层面，还涉及实际应用场景、未来可能面临的挑战以及发展方向。范围包括对Stable Diffusion技术本身的剖析，以及其在不同行业和领域的应用前景探讨。本文将按照以下结构展开：首先介绍核心概念与联系，让读者对Stable Diffusion技术有一个初步的认识；
Stable Diffusion模型监控：确保生成质量的持续保障
AI天才研究院
05-29 1095
随着Stable Diffusion模型在图像生成领域的广泛应用，其生成质量的稳定性变得至关重要。本文章的目的在于详细阐述如何对Stable Diffusion模型进行有效的监控，以保障其生成图像的质量始终维持在较高水平。范围涵盖了从模型监控的基本概念、核心算法、数学模型，到实际的项目实战和应用场景，同时提供相关的工具和资源推荐。本文将按照以下结构展开：首先介绍核心概念与联系，让读者对Stable Diffusion模型监控有初步的认识；
扩散模型（Diffusion Models）详解
DuHz的博客
10-28 4万+
扩散模型（Diffusion Models）是一类基于概率生成模型的深度学习方法，近年来在图像生成、语音合成、文本生成等领域取得了显著的成果。扩散模型通过模拟物理扩散过程，将数据逐步转化为噪声，然后学习逆向过程，从噪声中逐步恢复出原始数据，实现高质量的生成效果。正向扩散过程是将原始数据逐步添加噪声，直至成为纯噪声。
Diffusion Models扩散模型的通用框架
沉迷单车的追风少年
06-19 2093
目录用随机微分方程表示diffusion models时间信号放缩离散化解决方案推导ODE方程过程扩散模型的统一框架参考 论文《Score-based generative modeling through stochastic differential equations.》中提出用随机微分方程表示diffusion models。使用随机求解器，在每次迭代时都删除和添加噪声。它们还给出了相应的概率流常微分方程(ODE)，其中唯一的随机性来源是初始噪声图像。概率流ODE在时间上向前或向后移动时，会连续增加
扩散模型（Diffusion Model）简介
weixin_45657478的博客
09-25 9188
扩散模型（Diffusion Model）简介
从0开始搞懂Diffusion扩散模型
fisherisfish的博客
08-14 8730
简单来说就是套贝叶斯公式，B是X(t-1)，P(B)就是q(X(t-1)|X0)，A是Xt，P(A|B)就是q(Xt|X(t-1)，X0)，下面其实就是P(A)，那就说q(Xt|X0)，鄙人是这么理解的，但是鄙人概率论实在学得不好，这里很难理解，如果有错误欢迎指出，后续也会抓紧学习得。首先是为什么q(X(t-1)|Xt)变成了q(X(t-1)|Xt，X0)，这是因为光靠Xt是反推不了这个公式的，所以得把知道X0也当作条件，引入这个公式，来和Xt一起反推X(t-1)。这里参考大佬的计算过程。
【深度学习模型】扩散模型(Diffusion Model)基本原理及代码讲解
热门推荐
tobefans的博客
03-23 9万+
生成式建模的扩散思想实际上已经在2015年（Sohl-Dickstein等人）提出，然而，直到2019年斯坦福大学（Song等人）、2020年Google Brain（Ho等人）才改进了这个方法，从此引发了生成式模型的新潮流。目前，包括OpenAI的GLIDE和DALL-E 2，海德堡大学的Latent Diffusion和Google Brain的ImageGen，都基于diffusion模型，并可以得到高质量的生成效果。本文以下讲解主要基于DDPM，并适当地增加一些目前有效的改进内容。
一文弄懂 Diffusion Model（DDPM）+ 代码实现
Drug discovery
11-27 1万+
一文弄懂 Diffusion Model
【深度学习】扩散模型（Diffusion Model）详解
Danger的博客
03-03 1万+
【深度学习】扩散模型（Diffusion Model）详解
扩散模型（Diffusion Model）最新综述！
zandaoguang的博客
09-15 2万+
点击上方“视学算法”，选择加"星标"或“置顶”重磅干货，第一时间送达本综述来自西湖大学李子青实验室、香港中文大学Pheng-Ann Heng和浙江大学陈广勇团队，对现有的扩散生成模型进行了全面的回顾。本文首先提出了diffusion model改进算法的细化分类与深度解析，同时对diffusion model的应用进行了系统的回顾，最后率先汇总领域内benchmarks。这也促进了后续工作《Dif...
扩散模型 (Diffusion Model) 简要介绍与源码分析
珍妮的选择的博客
10-23 2万+
Diffusion Model (扩散模型) 是一类生成模型, 和 VAE (Variational Autoencoder, 变分自动编码器), GAN (Generative Adversarial Network, 生成对抗网络) 等生成网络不同的是, 扩散模型在前向阶段对图像逐步施加噪声, 直至图像被破坏变成完全的高斯噪声, 然后在逆向阶段学习从高斯噪声还原为原始图像的过程.
Masked Diffusion Models
最新发布
08-23
Masked Diffusion Models（掩码扩散模型）是一类结合了扩散模型（diffusion models）与掩码自编码器（masked autoencoders）思想的生成模型。扩散模型通过逐步去噪的过程生成数据，而掩码自编码器则通过重建被掩码...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

Ray.so

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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