摘要： 扩散模型（四）：PF-SDE 从离散到连续 本文我们尝试利用随机微分方程SDE将两种扩散模型DDPM和NCSN统一起来。首先我们给出SDE的定义，随机微分方程SDE描述了随机过程的动态行为，其中包括确定性部分和随机部分，一般形式为： \[dX_t=f(x_t,t)dt+g(X_t,t)dW_t \] 阅读全文

摘要： 扩散模型（三）：Score-based Generative Models Score function 为建模数据分布，我呢吧将数据分布写作能量模型EBM形式： \[p_{\theta}(x)=\frac{\exp(-E_{\theta}(x))}{Z_{\theta}} \]其中， \(Z_\t 阅读全文

摘要： 扩散模型（二）：DDIM 原理推导 DDPM的一个缺点在于采样时需要进行逐步去噪，推理速度过慢，因而其定义正反向过程都是马尔科夫链过程，无法进行跳步处理。 回到DDPM的推导过程，我们发现虽然结果从 \(q(x_t|x_{t-1})\) 推导得出，但结果并未涉及 \(q(x_t|x_{t-1})\) 阅读全文

摘要： 扩散模型（一）：DDPM 扩散过程 扩散过程会在原始数据 \(x_0\) 上，分\(T\)不断增加随机噪声 \(\beta_i,\,\beta_i\in(0,1)\) ，最终得到标准正态分布 \(x_T\) 。 该过程可表示为： \[q(x_t|x_{t-1})=\mathcal{N}(x_t;\s 阅读全文