diffusion model

diffusion model(十八)：diffusion model中negative prompt的工作机制前置阅读：DDPM： http://myhz0606.com/article/ddpmclassifier-guided：http://myhz0606.com/article/guided

读《Diffusion Models: A [Comprehensive Survey of Methods and Applications》综述关于此文，我的一个见解想法，重点关注他怎么描述「Diffusion Model」的引用的，以及未来方向就好了。当然从这篇文章可以知道「Diffusion Model」的一个基石是什么，以及他跟其他生成模型的一个简单的关系，让我有对「Diffusion Model」有一个更好的理解吧。

diffusion model(一)：DDPM技术小结 (denoising diffusion probabilistic)发布日期：2023/05/18 主页地址：http://myhz0606.com/article/ddpm

爱听歌的周童鞋

图像生成模型浅析（Stable Diffusion、DALL-E、Imagen）简单学习下图像生成模型的相关知识🤗以下内容来自于李宏毅老师的视频讲解课程主页：https://speech.ee.ntu.edu.tw/~hylee/ml/2023-spring.php

吴恩达AIGC《How Diffusion Models Work》笔记Midjourney，Stable Diffusion，DALL-E等产品能够仅通过Prompt就能够生成图像。本课程将介绍这些应用背后算法的原理。

OpenAI 的视频生成大模型Sora的核心技术详解（一）：Diffusion模型原理和代码详解标题党一下，顺便蹭一下 OpenAI Sora大模型的热点，主要也是回顾一下扩散模型的原理。简单理解，扩散模型如下图所示可以分成两部分，一个是 forward，另一个是 reverse 过程：

基于扩散的模糊文本图像超分辨率技术恢复低分辨率文本图像具有挑战性，特别是对于在现实场景中具有复杂笔画和严重降质的中文文本图像。确保文本的准确性和样式的真实性对于高质量的文本图像超分辨率至关重要。最近，由于扩散模型强大的数据分布建模能力和数据生成能力，在自然图像合成和恢复方面取得了巨大成功。本文提出了一种图像扩散模型（IDM），用于以真实的风格恢复文本图像。对于扩散模型，它们不仅适用于建模真实图像分布，而且适用于学习文本分布。由于文本先验对于确保根据现有艺术作品正确恢复文本结构至关重要，作者还提出了一种文本扩散模型（TDM）用于文本识别，它

论文阅读 - Understanding Diffusion Models: A Unified Perspective假设给定了一个数据集 { x 1 , x 2 , x 3 , . . . , x N } \{x_1, x_2, x_3, ..., x_N\} {x1,x2,x3,...,xN}，在图像生成任务中，每个 x i x_i xi就是一张图片，每个点都是独立采样于真实数据分布 p ( x ) p(x) p(x)的。生成模型的目的就是通过有限的数据集 { x i } \{x_i\} {xi}学习得到 p ( x ) p(x) p(x)，然后从 p ( x ) p(x) p(x)中采样得到更多新的样本。在某些情况