目录

Diffusion Model 基本原理

预测原理

ddpm 实例

ddmp数字图片生成

有的还没看完

---

Diffusion Model 基本原理

扩散模型1：基本原理 - 知乎

前向扩散过程可以理解为一个马尔可夫链，即通过逐步对一张真实图片添加高斯噪声直到最终变成纯高斯噪声图片。

预测原理

预测的时候，

第1步根据输入，预测噪声

第2步，

输入就是一个与目标尺寸一样的图（或数据），然后用第1步预测的噪声，去噪，变成与目标一样的图片（或者数据）

ddpm 实例

GitHub - chunyu-li/ddpm: 扩散模型的简易 PyTorch 实现

ddmp数字图片生成

GitHub - LinXueyuanStdio/PyTorch-DDPM: 500 行代码实现降噪扩散模型 DDPM，干净无依赖

有的还没看完

【扩散模型】1、扩散模型 | 到底什么是扩散模型?-CSDN博客

所以就有了 VAE，也就是变分自编码器，VAE 和 AE 是很不同的，虽然结构看起来很像，但很重要的区别是，中间不再是学习一个 bottleneck 的特征，而是学习了一个分布，假设分布是高斯分布，可以用均值和方差来描述，就是从 encoder 得到特征后，加一些 FC 层，来预测均值和方差，得到后用公式采样一个 z 出来，VAE 就可以用来做生成了，因为在训练好后，可以扔掉 encoder，这里的 z 就是能随机抽样出的样本，然后就能生成图片了

原文链接：https://blog.csdn.net/jiaoyangwm/article/details/129439761