扩散模型学习

先验概率和后验概率是贝叶斯统计学中的两个重要概念,用于描述事件发生的概率在更新观测数据后的变化情况。

  1. 先验概率(Prior Probability)

    • 先验概率是在考虑任何观测数据之前,对事件概率的初始估计或信念。
    • 它基于以往的知识、经验或主观判断,反映了在考虑新证据之前对事件概率的预期。
    • 先验概率通常用P(A)表示,其中A是某个事件。
  2. 后验概率(Posterior Probability)

    • 后验概率是在考虑了新的观测数据或证据之后,对事件概率进行更新后得到的概率。
    • 它结合了先验概率和新的数据,通过贝叶斯定理计算得出。
    • 后验概率通常用P(A|B)表示,其中A是事件,B是观测数据或证据。

https://zhuanlan.zhihu.com/p/38567891#:~:text=%E5%90%8E%E9%AA%8C%E6%A6%82%E7%8E%87%EF%BC%88pos

The future is independent of the past given the present
未来独立于过去,只基于当下。

这句人生哲理的话也代表了马尔科夫链的思想:过去所有的信息都已经被保存到了现在的状态,基于现在就可以预测未来。

虽然这么说可能有些极端,但是却可以大大简化模型的复杂度,因此马尔可夫链在很多时间序列模型

中得到广泛的应用,比如循环神经网络 RNN,隐式马尔可夫模型 HMM 等,当然 MCMC 也需要它。

https://zhuanlan.zhihu.com/p/448575579#:~:text=%E6%9C%AC%E6%96%87%E4%BB%8B%E7%BB%8D%E4%BA%86%E9%A9%AC%E5%B0%94%E5%8F%AF#:~:text=%E6%9C%AC%E6%96%87%E4%BB%8B%E7%BB%8D%E4%BA%86%E9%A9%AC%E5%B0%94%E5%8F%AF

持续火爆!!!《AIGC 面试宝典》已圈粉无数!-CSDN博客

DiT的定义:Diffusion Transformer是一种结合了Transformer架构的扩散模型,用于图像和视频生成任务,能够高效地捕获数据中的依赖关系并生成高质量的结果。

DiT的核心思想:Diffusion Transformer的核心思想是使用Transformer作为扩散模型的骨干网络,而不是传统的卷积神经网络(如U-Net),以处理图像的潜在表示。

相关推荐
AI生成未来8 天前
生成任意3D和4D场景!GenXD:通用3D-4D联合生成框架 | 新加坡国立&微软
3d·扩散模型·4d
Struart_R11 天前
最新三维视觉下的扩散模型综述——Diffusion Models in 3D Vision: A Survey
人工智能·扩散模型·综述·三维视觉
Struart_R17 天前
WonderWorld: Interactive 3D Scene Generation from a Single Image 论文解读
计算机视觉·扩散模型·三维生成·场景生产
程序小旭23 天前
DiffusionDet: Diffusion Model for Object Detection—用于对象检测的扩散模型论文解析
目标检测·计算机视觉·扩散模型
BH0425090923 天前
VQGAN(2021-06:Taming Transformers for High-Resolution Image Synthesis)
计算机视觉·扩散模型·图像生成·cv
一只楚楚猫1 个月前
一篇文章入门随机微分方程SDE
机器学习·扩散模型·sde
知来者逆1 个月前
利用大规模语言模型提高生物医学 NER 性能的新方法
人工智能·gpt·深度学习·语言模型·自然语言处理·chatgpt·扩散模型
张哥coder2 个月前
【AI学习】DDPM 无条件去噪扩散概率模型实现(pytorch)
人工智能·学习·扩散模型
沉迷单车的追风少年2 个月前
使用SVD(Stable Video Diffusion)执行视频插帧任务
人工智能·深度学习·机器学习·aigc·扩散模型
许野平2 个月前
SD(Stable Diffusion)模型的基本工作数据流
stable diffusion·transformer·sd·vae·diffusion