摘要：ddpm实际案例 1.选择一个数据集 我们使用一个10000个数据的二位坐标特征的S字母作为数据集 %matplotlib inline import matplotlib.pyplot as plt import numpy as np from sklearn.datasets import m 阅读全文

摘要：ddpm加噪前向过程公式推导 前向过程\(q(x_t|x_{t-1})\)在论文中公式如下（见附件中的(2)） \[q(x_t|x_{t-1}):=\mathcal N(x_t;\sqrt{1-\beta_t}x_{t-1},\beta_tI) \]根据前置知识中的重采样技巧，\(q\)的采样可以通 阅读全文

摘要：扩散模型推导前置 鉴于扩散模型是一个非常严谨的数学推导过程，所以开始讲解DDPM等众多扩散模型公式前，需要先了解推导所需要的基本知识。其中涉及到的高等数学的内容都算比较简单的。本文将对论文的background段落的关键公式进行推导，尽量以高等数学基础知识解释清楚这里的背景原理，让看论文的人没那么懵 阅读全文

摘要：ddpm逆向过程推导 本文正式开始了ddpm逆向过程的推导，在逆向推导之前，我们将前一篇文章的推导结果做一个总结。 前文总结 我们目前已知前线过程\(q\) \[q(x_t|x_{t-1}):=\mathcal N(x_t;\sqrt{1-\beta_t}x_{t-1},\beta_tI) \tag 阅读全文

摘要：ddpm损失函数 从本文开始正式介绍ddpm损失函数。在扩散模型推导前置中我们首次介绍了最大化似然的目标，通过逆向过程\(p\)计算\(x_0\)概率最大化就可以生成图片 \[\mathbb E[-\log p_\theta(x_0)]\le\mathbb E_q\left[-\log\frac{p 阅读全文

摘要：Denoising Diffusion Probabilistic Models[1] 《Denoising Diffusion Probabilistic Models》简称ddpm。扩散模型的里程碑式文章，简单来说，扩散模型包含两个过程： 前向过程（从右向左）：原始分布\(x_0\)不断加入噪声 阅读全文