Generative Deep Learning, 2a edizione

Capitolo 8. Modelli di diffusione

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Obiettivi del capitolo

In questo capitolo scoprirai:

• Impara i principi e i componenti che definiscono un modello di diffusione.

• Guarda come il processo di avanzamento viene utilizzato per aggiungere rumore al set di immagini di addestramento.

• Capire il trucco della riparametrizzazione e perché è importante.

• Esplorare diverse forme di pianificazione della diffusione in avanti.

• Comprendere il processo di diffusione inversa e la sua correlazione con il processo di rumore in avanti.

• Esplora l'architettura della rete U, utilizzata per parametrizzare il processo di diffusione inversa.

• Costruisci il tuo modello di diffusione denoising (DDM) utilizzando Keras per generare immagini di fiori.

• Prova nuove immagini di fiori dal tuo modello.

• Esplora l'effetto del numero di passi di diffusione sulla qualità dell'immagine e interpola tra due immagini nello spazio latente.

Oltre alle GAN, i modelli di diffusione sono una delle tecniche di modellazione generativa per la generazione di immagini più influenti e d'impatto dell'ultimo decennio. In molti benchmark, i modelli di diffusione superano i GAN precedentemente all'avanguardia e stanno rapidamente diventando la scelta preferita dai professionisti della modellazione generativa, in particolare per i domini visivi (ad esempio DALL.E 2 di OpenAI e ImageGen ...