Generative Deep Learning, 2ª Edição

Capítulo 8. Modelos de difusão

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Objectivos do capítulo

Neste capítulo, vais aprender:

• Aprende os princípios e componentes subjacentes que definem um modelo de difusão.

• Vê como o processo de avanço é utilizado para adicionar ruído ao conjunto de imagens de treino.

• Compreende o truque da reparametrização e porque é importante.

• Explora diferentes formas de programação da difusão para a frente.

• Compreende o processo de difusão inversa e como se relaciona com o processo de ruído direto.

• Explora a arquitetura da U-Net, que é utilizada para parametrizar o processo de difusão inversa.

• Constrói o teu próprio modelo de difusão de redução de ruído (DDM) utilizando o Keras para gerar imagens de flores.

• Recolhe novas imagens de flores do teu modelo.

• Explora o efeito do número de passos de difusão na qualidade da imagem e interpola entre duas imagens no espaço latente.

Juntamente com os GAN, os modelos de difusão são uma das técnicas de modelação generativa mais influentes e impactantes para a geração de imagens que foram introduzidas na última década. Em muitos parâmetros de referência, os modelos de difusão superam agora os GANs de última geração e estão a tornar-se rapidamente a escolha preferida dos profissionais de modelação generativa, em especial para domínios visuais (por exemplo, DALL.E 2 da OpenAI e ImageGen da Google para a geração de texto ...