34:27 ~ 37:55 슬라이드 내용이 어떤 블로그 글을 캡쳐하신 것 같은데요(자료 내 36, 37 slide). 블로그 글 하나하나 reference 다는 건 번거로우시겠고, 영상, 블로그, 자료 모두 업로드 한지는 오래되었지만 reference 표기 부탁드리겠습니다
좋은 내용 매우 감사합니다. 주제와 직접적인 관련이 있지는 않은 질문이라 죄송합니다만, 혹시 @4:50 부분에 나오는 physical intution에서 열역학과도 관련되어 보이는데, 혹시 해당 양자역학 부분에 많이 소개된다는 것을 찾아볼 만한 참고자료나 키워드 같은 것을 주실수 있을까요?
안녕하세요 좋은영상 감사합니다ㅎㅎ 궁금점이 생겨 질문드립니다 38:24 에 using bayes rule we have 글 바로 밑 좌측식을 bayes rule 적용하면 우측식로 변하는데 해당 부분이 이해가 안됩니다 bayes rule 적용시 q(xt | xt-1, x0)* q(xt-1 | xt) / q(x0)이 나와야 한다고 생각하는데 어떻게 저 식이 나오는지 궁금합니다 답변 부탁드립니다 ㅠㅠ
안녕하세요 좋은 영상 감사합니다. 잘 이해가 안되는 부분이 있어 질문드립니다. forward diffusion process에서 q(x_t|x_t-1)=N(x_t;root(1-beta_t)*x_t-1,beta_t*I)이 식에서 root(1-beta_t)x_t-1가 평균을 의미하는 자리인데, 그렇다면 x_t에서의 nomal distribution에선 x_t-1의 평균에 root(1-beta_t)을 곱한 값이 평균이 되는 것인가요? 맞다면 t번째 x이미지는 평균 root(1-beta_t)x_t-1, 분산 beta_t*I를 갖는 normal distribution이라고 표현된 것이 맞을가요??
![[Paper Review] Denoising Diffusion Probabilistic Models](http://i.ytimg.com/vi/_JQSMhqXw-4/mqdefault.jpg)
![[Paper Review] Denoising Diffusion Probabilistic Models](/img/tr.png)
![[Open DMQA Seminar] Conditional Diffusion Models](http://i.ytimg.com/vi/Q_o0SpXv9kU/mqdefault.jpg)
이런 영상을 이렇게나 많은 사람들이보다니.. 신기하군요 자료입니다.
drive.google.com/file/d/1u8EWfDvaJQGKKC4akQDy50kP-qF_MT09/view?usp=sharing
혹시 ddim 에서 시그마 나오는부분 수식적으로 왜 저부분이 위에 시그마 없는부분이랑 같은지 설명해주실수있나요? 도저히 이해가 안되는 전개식이라..
감사합니다!
혹시 자료 다시 공유해주실 수 있을까요..?
안들어가집니다..!
34:27 ~ 37:55 슬라이드 내용이 어떤 블로그 글을 캡쳐하신 것 같은데요(자료 내 36, 37 slide). 블로그 글 하나하나 reference 다는 건 번거로우시겠고, 영상, 블로그, 자료 모두 업로드 한지는 오래되었지만 reference 표기 부탁드리겠습니다
자료 링크가 접속이 안됩니다ㅠㅠ
여러 좋은 diffusion models 관련 자료 정리, 요약에 발표자분의 직관까지 포함된 너무 훌륭한 영상이네요. 덕분에 많은 공부가 되었습니다. 감사합니다.
감사합니다!
Pp
잘 들었습니다~ diffusion 모델들을 공부시작하면서 제안된 수식들을 이해해보려고 하던차에 잘 만나게되었네요.😍🤩
좋은 자료 감사합니다. 프리젠터의 높은 이해도가 느껴지는 튜토리얼이였습니다. 두고두고 와서 볼 것 같네요.
자료 찾기 어려웠는데 한눈에 잘 정리된 자료 감사합니다.
좋은 영상 올려주셔서 감사합니다. 덕분에 디퓨전 모델에 대한 개념을 쉽게 잡은 것 같아요~ 그리고 논문도 축하드립니다! ㅎㅎ
혹시 38:52 에서 exp 이하 부분 정규분포의 pdf의 지수함수에 값을 넣은것으로 이해는했는데요
그 항들을 정리한 빨간색텀이 저식의 표준편차가 되고 파란색식이 평균이되는 이유를 알 수 있을까요?
43:56 DDIM
1:15:00
condtional
23:24
44:06 DDIM
56:45 Score-based Generative Modeling
정리 너무 잘 봤습니다! 감사합니다.
정말 좋은 영상입니다. 공부하는데 도움이 되었습니다. 감사합니다.
diffusion model을 이해하는데 정말 도움 많이 됐습니다. 감사합니다.
감사합니다. 현업에 많은 도움이 됩니다.
1:50 랄부를 탁 치고 갑니다. 2,3번만 필요한데 목표를 명확히 해주셔서 감사합니다.
파송송 랄부탁
도움이 정말 많이 됐어요!! 감사합니다 :)
너무 멋지십니다~~
좋은 내용 매우 감사합니다. 주제와 직접적인 관련이 있지는 않은 질문이라 죄송합니다만, 혹시 @4:50 부분에 나오는 physical intution에서 열역학과도 관련되어 보이는데, 혹시 해당 양자역학 부분에 많이 소개된다는 것을 찾아볼 만한 참고자료나 키워드 같은 것을 주실수 있을까요?
안녕하세요. 유체의 브라운 운동으로부터 모델링된 Wiener process 와 관련 내용을 Diffusion 에 접목시킨 BBDM 논문을 살펴보시면 도움 될 것 같네요.
@@SEONHOON-cj5jp감사합니다. 관련 비디오도 올리셨군요. 참고하겠습니다 :)
안녕하세요 좋은영상 감사합니다ㅎㅎ
궁금점이 생겨 질문드립니다
38:24 에 using bayes rule we have
글 바로 밑 좌측식을 bayes rule 적용하면 우측식로 변하는데 해당 부분이 이해가 안됩니다
bayes rule 적용시 q(xt | xt-1, x0)* q(xt-1 | xt) / q(x0)이 나와야 한다고 생각하는데 어떻게 저 식이 나오는지 궁금합니다
답변 부탁드립니다 ㅠㅠ
콤마로 되어있는게 2개 항이 다 given이라는 말입니다. x0는 given으로 고정시켜둔 채 식을 생각해보시면 될것 같습니다.
@@diffusion_model 답변 감사합니다 이해하는데에 도움되었습니다!
너무도 감사드립니다.
잘 봤습니다. 공부가 되었습니다.
SDEs를 잘 모르는데 SDEs를 얘기할 수 있으시군요.
안녕하세요! 최근 diffusion 모델에 대해 공부를 해야겠다고 느끼고 시작하던 도중 너무 좋은 자료를 만나게 되어 쉽게 이해할 수 있었습니다! 너무 감사합니다. 혹시 실례가 안된다면 강의 자료는 공유가 안되는지 여쭤봐도 될까요?
디퓨전영상봐야지
영상 잘봤습니다! 감사합니다~~
"Var( \sqrt{1-B_{t}} * x_{t} + B_{t} ) = Var( \sqrt{1-B_{t}}^{2} + B_{t} )"
이 수식은 "틀린" 수식인 것 같은데 오타일까요? 어떻게 이렇게 전개될 수 있는지 궁금합니다!
score function 은 RL 에도 있는 개념인데 형태도 똑같군요
유용한 강의입니다. 저는 게임 엔진을 제작하는 프로젝트에 참여하고 있습니다. 혹시 게임엔진 및 기타 그래픽 소프트웨어 제작 관련해서 연구소대 회사 차원의 협업을 지금 진행하고 있는 것이 있으신지요?
아니요 따로 없습니다. 전 연세대학교 어영정 교수님 연구실 소속입니다. 연구소와 회사차원의 협업은 교수님께 문의하심이 좋을 것 같네요!
@@diffusion_model 네, 답변 감사합니다.다른 분들의 검토 의견을 구해야 하는데 참고하려고 질문 드렸습니다.
q(x1:x3 | x0) 와 q(x1, x2, x3 | x0) 와 같은 거죠? 의미는 x0가 참 일때 x1, x2, x3 모두 참일 확률 맞나요?
안녕하세요, 좋은 영상 감사합니다. 혹시 DDPM과 U-Net의 관계는 어떻게 되는지 알 수 있을까요?
안녕하세요 좋은 영상 감사합니다.
잘 이해가 안되는 부분이 있어 질문드립니다.
forward diffusion process에서 q(x_t|x_t-1)=N(x_t;root(1-beta_t)*x_t-1,beta_t*I)이 식에서 root(1-beta_t)x_t-1가 평균을 의미하는 자리인데, 그렇다면 x_t에서의 nomal distribution에선 x_t-1의 평균에 root(1-beta_t)을 곱한 값이 평균이 되는 것인가요? 맞다면 t번째 x이미지는 평균 root(1-beta_t)x_t-1, 분산 beta_t*I를 갖는 normal distribution이라고 표현된 것이 맞을가요??
47분쯤 질문에서 분산을 왜 학습안하는것에 대한 이유는 그냥 분산은 time dependent constant이기 때문에 time t만 알면 구할 수 있는 값이기 때문인거 아닌가요?
가우시안 커널이라 상정하였을 때 델타도 사실 학습을 할 수 있는 파라미터입니다만 DMs에서는 말씀하신대로 고정해둔 채 학습합니다! 조금 마이너한 논문들 중에 델타도 같이 학습하는 방향의 논문들도 있는것으로 압니다.
디퓨전 하시네요
잘 들었습니다 :)
27:03
감사합니다
안녕하세요 아주 좋은 diffusion 관련 영상 감사합니다. 제가 학부생인데 대학원과 diffusion에 관련하여 질문이 있는데 혹시 실례가 안된다면 이메일을 보내도 괜찮을까요?
네~ 누구한테든 이메일은 그냥 보내셔도 크게 상관없습니다
답변 정말 감사합니다 ㅎㅎ 영상 발표자님께 메일 보냈습니다!
1:14:59
32:45
hey.. 존나어려워요 ㅠ
27:59 27:59
어려워요…..
슬라이드 공유가 가능할까요?
나중에 추가해두겠습니다
@@diffusion_model 혹시 자료 어디에 올리셨을까요?
english please 🥲