大白话AI | 图像生成模型之DDPM | 扩散模型 | 生成模型 | 概率扩散去噪生成模型 | Diffusion Model
Вставка
- Опубліковано 2 тра 2023
- Introduction of DDPM for high-school students
Episode I: • 大白话AI | 图像生成模型之DDPM | ...
Episode II: • 大白话AI | 深入解析DDPM模型之二 |...
Episode III: • Denoising Diffusion Pr...
Episode IV(paid required): www.bilibili.com/video/BV1gK421b7W9/
Online demo：wangjia184.github.io/diffusion_model/
Source code: github.com/wangjia184/diffusion_model/ - Наука та технологія
不错的视频！之前总是奇怪为什么要从一片噪声中生成图像，原来这种无中生有是有道理的。
“从x0到xt的关系式中可以看到，对于大T时刻，α bar值接近0，所以xT约等于ε，也就是说xT的图像近似于标准正态分布。因此可以认为任何一张标准正态分布的噪声图片，都是某张x0的原图加噪后得来的，只需要用标准正态分布随机采样就能生成xT时刻的图片。”
目前看過講解的最好的！期待看到更多新影片～
已更新
很棒，希望能够讲解更多的AI相关数学知识！
非常清晰，谢谢大刘
做的太好了！Please keep up with good work!
非常期待接下来更多视频！
好厉害，之前看的东西什么都看不懂，看这个一下就看懂了！
我看过的讲得最好，没有之一。我数学基础不好，DDPM的论文下载了看来3天，外加台大李宏毅的课，都不甚了了，up主是真懂的，所以才能如此深入浅出。建议动画可以简单一点，制作起来太费时间了，能不能找到一种花时间少的表达方式，比如就用几页PPT来讲，大道致简的思想表达才是核心。AI方向可以讲的内容会越来越多，但真懂人的稀缺，在表达工具上太花时间了，负担会太重，难以持续。
哈哈，在我看来，能够形象化地表达才算真正意义上的理解。比如爱因斯坦当年狭义相对论的火车试验，广义相对论的电梯试验，以及EPR paradox，都可以用最浅显生动的例子来洞察高深的物理学本质，比起公式推导更能体现爱因斯坦敏锐的直觉和洞察力。所以，后面我会尝试绕过公式，直接用三维动画展示整个扩散过程，无须理解公式也能去理解整个模型的原理，我觉得这点非常有意思。
写的深入浅出，大神太厉害了，期待下一集
已更新
講得真好
哦，看到后面恍然大悟了。有一个很重要的信息，就是正态分布。本质是像素点的不同正态分布叠加。
请再出一些其他的系列吧？讲的太好了！！求联系方式！
讲的不错兄弟
讲的太棒了
讲得太好了！！！！
Introduction of DDPM for high-school students
Episode I: ua-cam.com/video/zEZOYZeIPUs/v-deo.html
Episode II: ua-cam.com/video/C1WkW1Q6Iok/v-deo.html
Episode III: ua-cam.com/video/2vWQUkUlKIE/v-deo.html
Episode IV(paid required): www.bilibili.com/video/BV1gK421b7W9/
Online demo：wangjia184.github.io/diffusion_model/
Source code: github.com/wangjia184/diffusion_model/
這麼卷的嗎.. 中學生也懂 DDPM
不妨多作一期 DPM++ 2M SDE Solver 😀
真的很clean 好多视频推来推去不知道在推什么 如果用类似VAE的ELBO去推 多了一堆式子 再自圆其说的把有些项说不重要再cross out掉 这个视频告诉我们做来做去其实一个bayesian rule就解释清楚了 牛逼
好牛的视频
牛
还有训练过程呢？亟待更新呢，做的特别好
我又来催更了，每天进youtube第一件事就是 看您有没有更新内容
牛牛牛。
厉害了学习了很多。有教程的其他链接吗，比如公众号、知乎啥的
有DDIM相關視頻嗎
想請問，這樣生成出來的東西是無限個還是有限的?
假設是有限的，所以最終會生成出重複的畫面對嗎?
太厉害了，不过我中学数学肯定没学好🥲
念成投子，確實是第一次聽到
毫不夸张的说，这是我看到关于stable diffusion数学原理方面最好的视频，没有之一。
😂
nb!
很不错啊，很清晰了属于是，这个可以送礼物吗？。。下半部分呢，没找到诶，是还没更新吗？
还没弄
@@user-px8cy5mz1e 期待 支持👍
已更新@@user-yj3rl1jj4w
25:17 為何不用這個等式直接從Xt求得X0
在DDPM中，每个像素的噪声分布是独立的，也就是说，噪声$\epsilon_t$对于不同的像素是不相关的。因此，给定$x_t$和$\epsilon_t$，我们可以很容易地计算出$x_0$. 然而，在实际应用中，我们并不知道每个像素的噪声值，因此也无法直接从$x_t$推断出$x_0$。相反，我们需要通过神经网络模型来学习每个像素的噪声分布，从而能够正确地生成样本。这里很重要的一点，神经网络预测的并不是图像，而是它的概率分布。比如知道彩票的概率分布，但无法预知下次的开奖结果一样。
@@user-px8cy5mz1e 那为什么不能用神经网络直接学习出从x0到xt的噪声分布从而直接从xt得到x0呢
看起来很白痴的视频却是最深刻的视频！清楚地看到了数学模型在AI中的运用。大概是用概率反推吧。
真抱歉，感觉讲的深入浅出，但奈何数学全部还给老师了，渐渐就看不懂了。。。
这典型的收费质量啊
虽然一点没听懂，但是我听得不亦乐乎
原来这才是所谓的预测？