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
wufeil7 天前
基于电子等排体的3D分子生成模型 ShEPhERD - 评测
深度学习·扩散模型·分子生成·药物设计·aidd·药效团·静电势
Jeremy_lf11 天前
【图像生成之21】融合了Transformer与Diffusion,Meta新作Transfusion实现图像与语言大一统
人工智能·文生图·transformer·多模态·扩散模型
寻丶幽风18 天前
论文阅读笔记——RDT-1B: A DIFFUSION FOUNDATION MODEL FOR BIMANUAL MANIPULATION
论文阅读·笔记·扩散模型·具身智能·双壁机器人
AI生成未来22 天前
MIT何恺明再次突破传统:分形递归架构引爆生成模型新纪元!
扩散模型·图像生成·合成模型
next_travel25 天前
注意力蒸馏技术
风格迁移·扩散模型
小喵要摸鱼1 个月前
【Hugging Face 开源库】Diffusers 库 —— 扩散模型
开源·扩散模型·hugging face·diffusers 库
远瞻。1 个月前
【论文精读】DifFace: Blind Face Restoration with Diffused Error Contraction
论文阅读·人工智能·diffusion
东荷新绿1 个月前
【CVPR-2023】DR2:解决盲人脸复原无法覆盖真实世界所有退化的问题
论文阅读·扩散模型·盲人脸复原
紫雾凌寒2 个月前
计算机视觉|从0到1揭秘Diffusion:图像生成领域的新革命
深度学习·计算机视觉·stable diffusion·aigc·文生图·图像分割·diffusion
杀生丸学AI2 个月前
【三维重建】FeatureGS:特征值优化的几何精度和伪影减少3DGS的重构
人工智能·3d·aigc·三维重建·扩散模型·高斯泼溅