知识卡片

普通读书笔记卡 · 6473.d.2.e.3 · 生成模型:未记录

扩散模型从噪声逐步生成

理解等级:中级

去噪扩散生成从随机噪声出发,反复应用依赖时间步或噪声水平的去噪模型,逐步得到样本。一步的状态和下一步所需的去噪程度不同,时间条件帮助共享网络针对不同噪声水平工作。实际采样更新还包含调度系数,不能概括为直接减去整个预测噪声。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 扩散模型 9.1 扩散模型生成图片的过程 · 查看原书依据

      接下来是去噪模块. 输入一张满是噪声的图片,去噪模块会把噪声过滤掉一些,你可能看到有一个猫的形状,继续去噪,猫的形状逐渐显现出来.去噪做得越多,最终看到的猫就越清晰,去噪的次数是事先设定好的. 通常会给每个去噪步骤设置一个编号,产生最终图片的那个编号比较小. 从满是噪声的输入开始,去噪的编号最大,从1000一直排到1,这个从噪声到图片的过程称为逆过程(reverse process). 在概念上,这其实就像米开朗琪罗说的,“塑像就在石头里,我只是把不需要的部分去掉”,扩散模型做的是同样的事情.

    参考来源

    - 位置:《深度学习详解》第9章《扩散模型》9.1 扩散模型生成图片的过程(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter09.xhtml`) - 结论依据:原文分别介绍多步逆过程、人工加噪监督和文本条件训练。 - 原始内容:接下来是去噪模块. 输入一张满是噪声的图片,去噪模块会把噪声过滤掉一些,你可能看到有一个猫的形状,继续去噪,猫的形状逐渐显现出来.去噪做得越多,最终看到的猫就越清晰,去噪的次数是事先设定好的. 通常会给每个去噪步骤设置一个编号,产生最终图片的那个编号比较小. 从满是噪声的输入开始,去噪的编号最大,从1000一直排到1,这个从噪声到图片的过程称为逆过程(reverse process). 在概念上,这其实就像米开朗琪罗说的,“塑像就在石头里,我只是把不需要的部分去掉”,扩散模型做的是同样的事情.