趋近智
生成式AI扩散模型入门
章节 1: 生成模型简介
生成模型概述
扩散模型的缘由
核心思路：噪声与去噪
概率框架概述
章节 2: 前向扩散过程
定义马尔可夫链
高斯噪声调度
每一步的数学表示
从中间步骤采样
前向过程的性质
实践：模拟正向扩散
章节 3: 逆向扩散过程
目标：逆转马尔可夫链
逼近逆向转移
使用神经网络参数化逆向过程
预测噪声分量
去噪步骤的数学表达
章节 4: 模型架构与训练
用于噪声预测的U-Net架构
整合时间步信息
定义训练目标
简化训练损失的推导
训练算法
动手实践：搭建U-Net
章节 5: 采样与生成过程
从噪声生成数据
DDPM采样算法
理解采样方差
加速采样方法介绍：DDIM
DDIM采样算法
DDPM与DDIM的权衡
动手实践：实现采样循环
章节 6: 扩散模型的条件生成
条件生成的动因
分类器引导
无分类器引导 (CFG)
实现分类器无关引导
文本条件要点
用于条件生成的架构修改
动手实践：应用引导
去噪步骤的数学表达
这部分内容有帮助吗？
- Denoising Diffusion Probabilistic Models, Jonathan Ho, Ajay Jain, Pieter Abbeel, 2020 Advances in Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.2006.11239 - 这篇开创性论文介绍了去噪扩散概率模型（DDPM）框架，提供了前向和反向扩散过程的基础数学公式，包括本节中讨论的后验分布 q(x_{t-1}|x_t, x_0) 的推导。
- The Annotated Diffusion Model, Niels Rogge, Kashif Rasul, 2022 (Hugging Face) - 这篇详尽的教程是Hugging Face Diffusers文档的一部分，提供了DDPM数学步骤的注释实现和解释，与本节内容紧密相关。
- Score-Based Generative Modeling through Stochastic Differential Equations, Yang Song, Jascha Sohl-Dickstein, Diederik P. Kingma, Abhishek Kumar, Stefano Ermon, Ben Poole, 2020 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.2011.13456 - 这篇论文将DDPM与基于分数的模型统一起来，并引入了生成扩散的连续时间框架，为反向过程提供了更深入的理论理解。