扩散模型：Diffusion Model原理剖析

发布时间：2024年01月20日

Diffusion Model

视频

Training

在这里插入图片描述

第5行是唯一需要解释的地方， $x_{0}$ 是干净的图片， $\epsilon _{\theta }$ 是前面说的Noise Predictor，它的输入包括加噪声之后的图像（红色框）以及时序 $t$ ， $\epsilon$ 是训练的target也就是添加的噪声。它其实与前面我们提到的一步步加噪的过程不一样，而是一次就可以了。

Inference

在这里插入图片描述

最大似然估计

在这里插入图片描述

倒数第二行增加了与θ无关的一项，使得能将式子合并；KL散度，用来衡量两个概率分布之间的差异，KL越大，分布差异越大。

在这里插入图片描述

前向加噪推导

在这里插入图片描述

以此类推，从 $x_{0}$

文章来源:https://blog.csdn.net/u013308709/article/details/135705906
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！