上一页 1 2 3 4 5 6 7 8 9 10 ··· 32 下一页
2025年7月31日
图像生成-flow matching 条件化-13
摘要： 参考 https://g.co/gemini/share/c0f7881543f7 https://zhuanlan.zhihu.com/p/685921518 这部分内容是 Flow Matching 框架下的具体“工程实践”。我们已经知道了“条件化”是解决问题的关键，现在的问题是：具体应该选择什 阅读全文
posted @ 2025-07-31 14:31 jack-chen666 阅读(116) 评论(0) 推荐(0)
图像生成-Conditional Flow Matching-12
摘要： 目录条件流匹配损失函数 L_CFMFlow Matching技术栈核心设计一条“简单”的条件概率路径推导出对应的条件向量场最终的应用与延伸 条件流匹配损失函数 L_CFM 整个Flow Matching理论的“收官之作”，解释了为什么我们可以使用一个看起来更简单、更直接的损失函数来完成训练，并从理论 阅读全文
posted @ 2025-07-31 10:43 jack-chen666 阅读(189) 评论(0) 推荐(0)
图像生成-Flow Matching思想-11
摘要： 目录参考CNF的“慢”—— 为什么要改进？Flow Matching的核心思想 —— “无模拟训练”Flow Matching自身的挑战 —— “教师”从何而来？最终的解决方案 —— Conditional Flow Matching“条件流匹配”总结 参考 https://gemini.googl 阅读全文
posted @ 2025-07-31 09:57 jack-chen666 阅读(97) 评论(0) 推荐(0)
2025年7月30日
图像生成-条件概率与边际概率-10
摘要： 参考 https://zhuanlan.zhihu.com/p/685921518 这部分内容是Flow Matching理论的精髓所在，它解释了如何从简单、易于构建的“点对点”路径，来定义出我们最终需要学习的、复杂的全局向量场。 看懂了这里，Flow Matching的训练方式就豁然开朗了。 问题 阅读全文
posted @ 2025-07-30 14:41 jack-chen666 阅读(46) 评论(0) 推荐(0)
图像生成-连续性方程-09
摘要： 目录参考回顾与动机：CNF的困境连续性方程（The Law of Conservation）从物理到概率：概率的守恒 参考 https://zhuanlan.zhihu.com/p/685921518 Flow Matching 是在 CNF(连续归一化流) 基础上发展而来的一种更高效、更直接的训练 阅读全文
posted @ 2025-07-30 13:54 jack-chen666 阅读(29) 评论(0) 推荐(0)
图像生成-Continuous Normalizing Flows(NFs)连续归一化流-08
摘要： 目录参考CNFs是对传统（离散）归一化流思想的一次优雅的升华核心引擎：常微分方程 (ODE)如何求解：欧拉法（Euler's Method）CNF的训练与损失函数 参考 https://gemini.google.com/app/a5a75c33b55945bd https://zhuanlan.z 阅读全文
posted @ 2025-07-30 11:49 jack-chen666 阅读(246) 评论(0) 推荐(0)
图像生成-Normalizing Flows(NFs)归一化流-07
摘要： 目录参考核心思想：橡皮泥的比喻公式 参考 https://zhuanlan.zhihu.com/p/685921518 Normalizing Flows(NFs)是一种可逆的概率密度变换方法，它的核心思想是通过一系列可逆的变换函数来逐步将一个简单分布（通常是高斯分布）转换成一个复杂的目标分布， 这 阅读全文
posted @ 2025-07-30 11:22 jack-chen666 阅读(91) 评论(0) 推荐(0)
图像生成-概率密度函数的变量变换--06
摘要： 目录参考概率密度函数的变量变换 参考 https://zhuanlan.zhihu.com/p/685921518 概率密度函数的变量变换 这个知识点叫做 ** 概率密度函数的变量变换（Change of Variable for Probability Density Function, PDF） 阅读全文
posted @ 2025-07-30 10:35 jack-chen666 阅读(74) 评论(0) 推荐(0)
2025年7月29日
图像生成-GAN--05
摘要： 目录第一部分：GAN 的核心理论 - “伪造者”与“鉴赏家”的博弈第二部分：从 GAN 到 DCGAN - 为图像而生的进化第三部分：PyTorch 代码实现 (DCGAN 生成 MNIST 手写数字) 第一部分：GAN 的核心理论 - “伪造者”与“鉴赏家”的博弈 想象一个场景：一个新手伪造者（G 阅读全文
posted @ 2025-07-29 20:53 jack-chen666 阅读(53) 评论(0) 推荐(0)
图像生成-学习路径--04
摘要： 第一阶段：奠定基础 (机器学习与深度学习) 目标：理解图像生成所必需的神经网络、优化算法、反向传播等核心概念。 推荐资源： 书籍：《动手学深度学习》(Deep Learning with PyTorch/TensorFlow/MXNet) 链接 (GitHub): https://github.co 阅读全文
posted @ 2025-07-29 19:03 jack-chen666 阅读(48) 评论(0) 推荐(0)
上一页 1 2 3 4 5 6 7 8 9 10 ··· 32 下一页