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。
领取专属 10元无门槛券
私享最新 技术干货