추상적인
확산 모델은 현재의 최신 생성 모델보다 더 좋습니다(이미지 샘플 품질).
일련의 절제를 통해 더 나은 아키텍처로 무조건적인 이미지 합성을 수행합니다.
조건부 이미징의 경우 분류 지침에 따라 샘플 품질이 더욱 향상됩니다.
-> 분류기 안내: 분류기의 기울기를 사용하고 다양성을 교환합니다.
간단하고 효율적인 방법
확산 과정
1) 원본 이미지는 노이즈가 아주 약간 있습니다(거의 무한히 작음).
2) 이 노이즈를 여러 번 반복하여 노이즈가 원본 이미지와 거의 독립적이 되도록 합니다.
** 신경망은 확산 과정의 역과정인 역과정 계수를 학습합니다.
DDPM
노이즈 과정의 역과정을 수학적으로 표현하여 역과정을 학습하는 방법
xd
디
원본 문서:
https://paperswithcode.com/paper/diffusion-models-beat-gans-on-image-synthesis
코드가 있는 문서 – 확산 모델이 이미지 합성에서 GAN을 능가합니다.
ImageNet 64×64(FID 메트릭)에서 이미지 생성을 위한 #3 최고의 모델
paperswithcode.com