扩散模型 diffusion model

模型原理

基于扩散模型实现 AI 绘画包括两个过程------加噪过程和去噪过程。

e.墨水->热水

每一步的加噪结果仅依赖于上一步的加噪结果和一个加噪过程,而这个加噪过程依赖于当前时间步 t,因此整个加噪过程可以看成参数化的马尔科夫链。

马尔可夫链:数学模型,用于描述随机事件的序列,其中每个事件的概率仅取决于上一个事件的状态,而与过去的事件无关。

扩散模型 vs GAN

训练与推理

加噪-训练环节

对于一张干净的图像,可以仅通过一次计算得到任意 t 步加噪声的结果。

训练:假定我们已经收集了一个用于训练扩散模型的训练集,整个训练过程便是不断重复下面这六个步骤。

  1. 每次从数据集中随机抽取一张图片。

  2. 随机从 1 至 1000 中选择一个时间步 t。

  3. 随机生成一个高斯噪声。

  4. 根据上述加噪环节的公式,一次计算直接得到第 t 步加噪的结果图像。

  5. 将时间步 t 和加噪图像作为 UNet 的输入去预测一个噪声值。

  6. 使用第五步预测的噪声值和第三步随机生成的噪声值,计算数值误差,并回传梯度。

去噪-推理环节

如何根据当前时间步的噪声图预测上一步加入的噪声?

希望得到这样一个模型,输入第 t 步加噪结果和时间步 t,预测从第 t-1 步到第 t 步噪声值。主流的方法是训练一个 UNet 模型来预测噪声图。因为噪声值和输入图的分辨率是一致的,而 UNet 模型常用于图像分割任务,输入输出的分辨率相同,使用 UNet 来完成这个任务再合适不过了。

如何在当前时间步的噪声图上去除这些噪声?

采样器,根据加噪结果和噪声值,准确地去除噪声。

推理:

  1. 我们随机生成一个高斯噪声,作为第 1000 步加噪之后的结果。

  2. 将这个噪声和时间步 1000 作为已经训练好的 UNet 的输入,预测第 999 步引入的噪声。

  3. 使用采样器在步骤 1 的高斯噪声中去除步骤 2 预测的噪声,得到一张干净一点的图像。

相关推荐
yvestine6 分钟前
自然语言处理——Transformer
人工智能·深度学习·自然语言处理·transformer
SuperW32 分钟前
OPENCV图形计算面积、弧长API讲解(1)
人工智能·opencv·计算机视觉
山海不说话1 小时前
视频行为标注工具BehaviLabel(源码+使用介绍+Windows.Exe版本)
人工智能·python·计算机视觉·视觉检测
虹科数字化与AR2 小时前
安宝特方案丨船舶智造的“AR+AI+作业标准化管理解决方案”(装配)
人工智能·ar·ar眼镜·船舶智造·数字工作流·智能装配
飞哥数智坊3 小时前
Coze实战第13讲:飞书多维表格读取+豆包生图模型,轻松批量生成短剧封面
人工智能
newxtc4 小时前
【配置 YOLOX 用于按目录分类的图片数据集】
人工智能·目标跟踪·分类
kooboo china.4 小时前
Tailwind CSS 实战:基于 Kooboo 构建 AI 对话框页面(八):异步处理逻辑详解
前端·css·人工智能·编辑器·html·交互
newxtc5 小时前
【JJ斗地主-注册安全分析报告】
开发语言·javascript·人工智能·安全