1. Toy模板网首页
  2. > Toy博客

AI绘图之DDIM 与 DDPM

7月前 作者：子燕若水 分类：Toy博客 阅读(26) 违法举报

这篇具有很好参考价值的文章主要介绍了AI绘图之DDIM 与 DDPM。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

DDPM: 

AI绘图之DDIM 与 DDPM

 

去噪扩散概率模型 (DDPM) 在没有对抗训练的情况下实现了高质量的图像生成，但它们需要模拟马尔可夫链的许多步骤才能生成样本。 为了加速采样，我们提出了去噪扩散隐式模型 (DDIM)，这是一类更有效的迭代隐式概率模型，其训练过程与 DDPM 相同。 在 DDPM 中，生成过程被定义为马尔可夫扩散过程的逆过程。 我们构建了一类导致相同训练目标的非马尔可夫扩散过程，但其反向过程可以更快地进行采样。 我们凭经验证明，与 DDPM 相比，DDIM 可以在挂钟时间方面快 10 倍到 50 倍的速度生成高质量样本，允许我们权衡计算以换取样本质量，并且可以直接在潜在空间中执行具有语义意义的图像插值。

这些模型的一个关键缺点是它们需要多次迭代才能产生高质量的样本。对于 DDPM，这是因为生成过程（从噪声到数据）近似于前向扩散过程（从数据到噪声）的逆过程，前向扩散过程可能有数千步；需要遍历所有步骤才能生成单个样本，这与 GAN 相比要慢得多，后者只需要一次通过网络。例如，从 DDPM 中采样 50k 大小为 32 × 32 的图像大约需要 20 小时，但在 Nvidia 2080 Ti GPU 上从 GAN 中采样不到一分钟。对于较大的图像，这变得更加成问题，因为在同一 GPU 上采样 50k 大小为 256 × 256 的图像可能需要近 1000 小时。为了缩小 DDPM 和 GAN 之间的效率差距，我们提出了去噪扩散隐式模型 (DDIM)。

我们表明，由此产生的变分训练目标有一个共享的替代目标，这正是用于训练 DDPM 的目标。因此，我们可以通过选择不同的非马尔可夫扩散过程（第 4.1 节）和相应的反向生成马尔可夫链，从使用相同神经网络的大量生成模型中自由选择。文章来源地址https://www.toymoban.com/news/detail-511654.html

  • DDIM 样本具有以下“一致性”属性，这不适用于 DDPM：如果我们从相同的初始潜在变量开始并生成多个具有不同长度马尔可夫链的样本，这些样本将具有相似的高级特征。
  • 由于 DDIM 中的“一致性”，我们可以通过操纵 DDIM 中的初始潜在变量来执行具有语义意义的图像插值，这与 DDPM 不同

到了这里，关于AI绘图之DDIM 与 DDPM的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 【AI理论学习】深入理解扩散模型：Diffusion Models（DDPM）（理论篇）

    2023年04月18日
    浏览(40)
  • AI绘画能力的起源：通俗理解VAE、扩散模型DDPM、DETR、ViT/Swin transformer

    AI绘画能力的起源：通俗理解VAE、扩散模型DDPM、DETR、ViT/Swin transformer

    2018年我写过一篇博客，叫：《一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD》，该文相当于梳理了2019年之前CV领域的典型视觉模型，比如 2014 R-CNN 2015 Fast R-CNN、Faster R-CNN 2016 YOLO、SSD 2017 Mask R-CNN、YOLOv2 2018 YOLOv3 随着2019 CenterNet的发布，特别是2020发布的DETR(End-to-End

    2024年02月06日
    浏览(35)
  • AI绘画能力的起源：从VAE、扩散模型DDPM、DETR到ViT/Swin transformer

    AI绘画能力的起源：从VAE、扩散模型DDPM、DETR到ViT/Swin transformer

    2018年我写过一篇博客，叫：《一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD》，该文相当于梳理了2019年之前CV领域的典型视觉模型，比如 2014 R-CNN 2015 Fast R-CNN、Faster R-CNN 2016 YOLO、SSD 2017 Mask R-CNN、YOLOv2 2018 YOLOv3 随着2019 CenterNet的发布，特别是2020发布的DETR(End-to-End

    2024年02月04日
    浏览(34)
  • AI绘画能力的起源：从VAE、扩散模型DDPM、DETR到ViT、Swin transformer

    AI绘画能力的起源：从VAE、扩散模型DDPM、DETR到ViT、Swin transformer

    2018年我写过一篇博客，叫：《一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD》，该文相当于梳理了2019年之前CV领域的典型视觉模型，比如 2014 R-CNN 2015 Fast R-CNN、Faster R-CNN 2016 YOLO、SSD 2017 Mask R-CNN、YOLOv2 2018 YOLOv3 随着2019 CenterNet的发布，特别是2020发布的DETR(End-to-End

    2024年02月20日
    浏览(35)
  • AI绘画能力的起源：从VAE、扩散模型DDPM、DETR到ViT/MAE/Swin transformer

    AI绘画能力的起源：从VAE、扩散模型DDPM、DETR到ViT/MAE/Swin transformer

    2018年我写过一篇博客，叫：《一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD》，该文相当于梳理了2019年之前CV领域的典型视觉模型，比如 2014 R-CNN 2015 Fast R-CNN、Faster R-CNN 2016 YOLO、SSD 2017 Mask R-CNN、YOLOv2 2018 YOLOv3 随着2019 CenterNet的发布，特别是2020发布的DETR(End-to-End

    2024年02月08日
    浏览(34)
  • AI绘画与CV多模态能力的起源：从VAE、扩散模型DDPM、DETR到ViT/MAE/Swin transformer

    AI绘画与CV多模态能力的起源：从VAE、扩散模型DDPM、DETR到ViT/MAE/Swin transformer

    2018年我写过一篇博客，叫：《一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD》，该文相当于梳理了2019年之前CV领域的典型视觉模型，比如 2014 R-CNN 2015 Fast R-CNN、Faster R-CNN 2016 YOLO、SSD 2017 Mask R-CNN、YOLOv2 2018 YOLOv3 随着2019 CenterNet的发布，特别是2020发布的DETR(End-to-End

    2024年02月11日
    浏览(27)
  • 扩散模型之DDPM

    扩散模型之DDPM

    最原文链接（英文）：What are Diffusion Models? 原文链接：Diffusion扩散模型大白话讲解，看完还不懂？不可能 原文链接：DDPM解读（一）| 数学基础，扩散与逆扩散过程和训练推理方法 hugging face diffusers(扩散模型包)：huggingface diffusers code 本文并非全部是个人理解，是觉得其他作者

    2024年02月10日
    浏览(26)
  • 【扩散模型】【AIGC】DDPM Note

    【扩散模型】【AIGC】DDPM Note

    Abstract 我们使用扩散概率模型给出了高质量的图像合成结果，扩散概率模型是一类受非平衡热力学启发的潜变量模型。我们的最佳结果是根据扩散概率模型和去噪分数匹配与朗之万动力学之间的新联系而设计的加权变分界上的训练，并且我们的模型自然地允许渐进有损解压缩

    2024年02月10日
    浏览(34)
  • 扩散模型原理+DDPM案例代码解析

    扩散模型原理+DDPM案例代码解析

    扩散模型和一般的机器学习的神经网络不太一样！一般的神经网络旨在构造一个网络模型来拟合输入数据与希望得到的输出结果，可以把一般的神经网络当作一个黑盒，这个黑盒通过训练使其输入数据后就可以得到我们想要的结果。而扩散模型包含了大量的统计学和数学相关

    2024年02月16日
    浏览(34)
  • 论文阅读_扩散模型_DDPM

    论文阅读_扩散模型_DDPM

    英文名称: Denoising Diffusion Probabilistic Models 中文名称: 去噪扩散概率模型 论文地址: http://arxiv.org/abs/2006.11239 代码地址1: https://github.com/hojonathanho/diffusion （论文对应代码 tensorflow） 代码地址2: https://github.com/AUTOMATIC1111/stable-diffusion-webui stable-diffusion-webui/modules/models/diffusion/ddpm_edi

    2024年02月09日
    浏览(37)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包