噪音的艺术

在我的最后几篇文章中，我谈到了生成深度学习算法，这些算法主要与文本生成任务有关。因此，我认为现在要切换到图像生成的生成算法会很有趣。我们知道，如今，已经有许多专门用于生成图像的深度学习模型，例如自动编码器，变量自动编码器（VAE），生成对抗网络（GAN）和神经样式转移（NST）。实际上，我也有一些关于这些主题也发布在媒介上的著作。如果您想阅读它们，我会在本文末尾为您提供链接。

在今天的文章中，我想讨论所谓的扩散模型，这是图像生成深度学习领域中最有影响力的模型之一。该算法的想法首先是在题为“深度无监督学习”的论文中提出的，使用Sohl-Dickstein等人撰写的非平衡热力学。早在2015年[1]。然后，Ho等人进一步开发了他们的框架。 2020年，在其论文中，标题为denoising扩散概率模型[2]。 DDPM后来由OpenAI和Google改编成开发Dalle-2和Imagen，我们知道这些模型具有产生高质量图像的令人印象深刻的功能。

扩散模型 使用非平衡热力学的深度无监督学习 等。 剥离扩散概率模型 ddpm

扩散模型的工作原理

一般而言，扩散模型通过从噪声产生图像来起作用。我们可以将其视为一位艺术家，将画布上的油漆飞溅变成了美丽的艺术品。为此，需要先训练扩散模型。需要两个主要步骤来训练模型，即向前扩散和向后扩散。

正向扩散 向后扩散

图1。前向和向后扩散过程[3]。

潜在空间 t 反向

Pytorch实施

火炬 torchvision matplotlib TQDM ＃codeBlock 2 outputdevice（type ='cuda'） ＃（1） ＃（2） image_size ＃（3） x

TQDM

＃codeBlock 2 outputdevice（type ='cuda'） ＃（1） ＃（2） image_size ＃（3）x