[CV - Generative Model - 2020]扩散模型Diffusion Models - DDPM模型

我们一起读起来！！！了解过往「历史文献」的方法和不足之处，追寻「最前沿」的文献和技术。

标题：Denoising Diffusion Probabilistic Models

时间：2020

被引用次数：「717」（截止目前）

计算机视觉之无监督生成模型

输入：随机噪声

输出：样本图片

采用扩散模型得到样本图片要比GAN生成的图片效果好。

扩散模型的灵感来自非平衡热力学。定义了一个扩散步骤的马尔可夫链，以缓慢地将随机噪声添加到数据中，然后学习反转扩散过程以从噪声中构建所需的数据样本。

可以看到扩散模型分为两个阶段，分为：

前向过程：从

到

的过程

逆向过程：从

到

的过程

其中，逆向过程就是我们希望得到的“生成模型”。

在无条件 CIFAR10 数据集上，采用扩散模型获得了 9.46 的 IS（Inception Score）和 3.17 的「SOTA」 FID（Frechet Inception Distance score）。

针对人群：

不知道如何「入门算法 「，对于」初学者」这里有完整的学习路径图（历史中「经典」模型文献和论文复现），完成后将成为合格「初级算法工程师」。

不知道「行业解决方案」，对于「算法工程师」这里有具体的行业中落地方案和呈现出商业价值，阅读后提供新的解决方法想法和成为「算法专家」。

蓦然回首，自己从算法（数学）专业学习以及工作已十年有余。

同时希望大家成为算法经历者、分享者和创造者。