生成模型

风巽·剑染春水

【扩散模型原理】（七）Diffusion Models and Optimal Transport（3）《扩散模型原理：从起源到发展》第七章：扩散模型与最优传输专著参考：The Principles of Diffusion Models

风巽·剑染春水

【扩散模型原理】（六）A Unified and Systematic Lens on Diffusion Models（2）《扩散模型原理：从起源到发展》第六章：扩散模型的统一系统化视角专著参考：The Principles of Diffusion Models

风巽·剑染春水

【扩散模型原理】（六）A Unified and Systematic Lens on Diffusion Models（1）《扩散模型原理：从起源到发展》第六章：扩散模型的统一系统化视角专著参考：The Principles of Diffusion Models

I Am a robert girl

从一张图到碎裂瞬间：FracGen 如何用物理信号“导演“物体撕裂从今天觉醒,技术赋予每一个人数字生命过去两年，视频生成模型在画质上突飞猛进——Sora、可灵、Veo 系列已经能生成肉眼难辨真假的连续画面。但如果你让它们生成"玻璃杯从桌上摔下、裂纹从杯底蔓延到杯口"这类内容，结果往往令人失望：裂纹会凭空出现、传播方向诡异、材质表现和塑料没区别。问题不在于像素不够真，而在于模型根本没学会"物理状态"是什么。

【多篇论文阅读】Interactive World Models类型判断：改造原理/配方（不是从零新架构）。本质是：给已有双向 video Diffusion 补两样能力——只能看过去、能跟帧级 action 走。

【论文阅读】Whole-Body Conditioned Egocentric Video Prediction题目：Whole-Body Conditioned Egocentric Video Prediction 时间：2025年6月（arXiv）机构：UC Berkeley、Meta FAIR、NYU 关键词：egocentric video prediction, whole-body pose, diffusion transformer

生成对抗网络 (GAN) 详解生成对抗网络（Generative Adversarial Network, GAN）是Ian Goodfellow等人于2014年提出的一种生成模型框架。它的核心思想是通过两个神经网络的对抗训练来学习数据分布，从而生成逼真的数据样本。

阿钱真强道

07 ComfyUI + SVD 系列（五）GAN、VAE、扩散模型到底有什么区别？一篇文章讲清楚 AI 绘图模型的前世今生这两年，AI 绘图已经强到什么程度了？你输入一句话：几秒钟之后，一张像模像样、甚至细节惊人的图片就出来了。

风巽·剑染春水

【扩散模型原理】（三）Score-Based Perspective: From EBMs to NCSN《扩散模型原理：从起源到发展》：第三章基于分数的视角：从 EBMs 到 NCSN专著：The Principles of Diffusion Models

Flow Matching&生成算法今天学习flow matching算法。Flow matching是近年来生成模型领域中快速崛起的一类新方法。许多先进模型如stable diffusion3 imagen3都采用了它的核心思想。他通过直接学习概率流的方式，将简单分布平滑地变为复杂的数据分布，比传统扩散模型更高效、训练更稳，采样更快。Flow match解决了过去噪声预测不稳定、采样步骤多等问题，为下一代生成模型奠定了重要的基础。

啊阿狸不会拉杆

《计算机视觉：模型、学习和推理》第 6 章-视觉学习和推理目录前言6.1 计算机视觉问题6.2 模型的种类6.2.1 判别模型6.2.2 生成模型6.3 示例 1：回归

RAG：基于检索的生成技术入门与实践指引基于检索的生成技术（RAG, Retrieval Augmented Generation）是一种结合自然语言生成与知识检索的技术。近年来，随着 AI 技术的迅猛发展，RAG 在提升模型生成质量、引入外部知识库增强模型能力方面展示了巨大的潜力。本文旨在为读者提供一个关于 RAG 技术的基础性介绍与实战指南。

PyTorch实战（23）——基于Transformer生成音乐我们已经学习了如何使用 MuseGAN 生成逼真的多音轨音乐。MuseGAN 将一段音乐视为一个类似图像的多维对象，并生成与训练数据集中相似的音乐作品。在本节中，将采另一种方法来创作音乐，将音乐视为一系列音乐事件。具体来说，将开发一个类似 GPT 的模型，基于序列中所有先前事件来预测下一个音乐事件。本节将创建的音乐 Transformer 拥有 2016 万个参数，足以捕捉不同音符在音乐作品中的长期关系，同时也可以在合理的时间内完成训练。我们将使用 Maestro 钢琴音乐作为训练数据，MIDI 文件转

PyTorch实战——基于文本引导的图像生成技术与Stable Diffusion实践在本节中，我们将为扩散模型添加文本控制能力。学习如何通过文字描述来引导图像生成过程，实现从"纯噪声+文本"生成图像，而不仅是从纯噪声生成。

PyTorch实战（21）——扩散模型（Diffusion Model）我们已经学习了如何使用生成对抗网络 (Generative Adversarial Network, GAN) 生成图像。本节将探讨一种更前沿的图像生成范式——扩散模型 (Diffusion Model)。我们将首先解析扩散模型的工作原理，然后使用 PyTorch 从零开始训练扩散模型以生成逼真图像。通过本节学习，将掌握使用 PyTorch 从零开始训练扩散模型的完整流程。

PyTorch生成式人工智能（30）——扩散模型（Diffusion Model）文本生成图像 (text-to-image) Transformer 模型，如 OpenAI 的 DALL-E 2、Stability AI 的 Stable Diffusion，能够根据文本描述生成高质量的图像。这些文本生成图像的模型包含三个核心组成部分：一个文本编码器，将文本压缩成潜表示；一个将文本信息融入图像生成过程的方法；以及一个扩散机制，逐步优化图像以产生逼真的输出。理解扩散机制对于理解文本生成图像 Transformer 尤其重要，因为扩散模型构成了所有主流文本生成图像 Transformer

PyTorch实战——pix2pix详解与实现我们已经深入探讨了生成对抗网络 (Generative Adversarial Network, GAN) 模型，现有数百种不同类型的 GAN 变体，且仍在持续涌现。这些 GAN 变体的差异主要体现在以下三方面：目标应用长场景、基础模型架构和优化策略调整(如损失函数修改)。例如，超分辨率 GAN (SRGAN) 用于提升低分辨率图像的分辨率；CycleGAN 采用双生成器架构；最小二乘 GAN (LSGAN) 使用均方误差替代传统交叉熵作为判别器损失。在本节中，我们将探讨与神经风格迁移模型相关的一种 G

PyTorch实战（20）——生成对抗网络（Generative Adversarial Network，GAN）生成式人工智能已成为当前研究的热门领域，生成对抗网络 (Generative Adversarial Network, GAN) 模型于 2014 年提出，自基础 GAN 架构诞生以来，针对不同应用场景的各类 GAN 变体不断涌现并持续演进。与变分自编码器 (Variational Autoencoder, VAE) 不同，VAE 可以学习数据的潜分布，并通过从该分布中采样生成新的样本；自回归模型则逐步生成数据，每次生成一个元素，并以之前生成的元素为条件生成数据。而 GAN 无需显式建模数据分布，即可生

这张生成的图像能检测吗

（论文速读）VJTNN+GAN分子优化的图到图翻译论文题目：Learning Multimodal Graph-to-Graph Translation for Molecular Optimization（学习用于分子优化的多模态图到图转换）

带噪学习 | Ambient Diffusion (NeurIPS 2023) 上篇Ambient Diffusion是首个基于扩散模型的框架，可仅通过高度损坏的样本（如缺失 90% 像素的图像）学习干净数据的分布，其核心思路是在扩散过程中引入额外测量失真，要求模型从进一步损坏的图像中预测原始损坏图像，能避免生成模型记忆训练样本，在 CelebA、CIFAR-10、AFHQ 等基准数据集上表现优异，还可在单 GPU 上仅用数小时微调基础模型（如 Deepfloyd IF），适用于 MRI 扫描等小样本损坏数据集，同时在逆问题求解中仅需 1 步预测就可比肩需数百步的现有方法。