Tutorial Model Penyebaran Bernilai Masa Anda, dari Universiti Purdue

Diffusion bukan sahaja boleh meniru dengan lebih baik, tetapi juga "mencipta".

Model Resapan ialah model penjanaan imej. Berbanding dengan algoritma yang terkenal seperti GAN dan VAE dalam bidang AI, model resapan mengambil pendekatan yang berbeza. Idea utamanya ialah proses menambah hingar pada imej dan kemudian secara beransur-ansur menolaknya. Cara mengecilkan dan memulihkan imej asal adalah bahagian teras algoritma. Algoritma akhir mampu menghasilkan imej daripada imej bising rawak.

Dalam beberapa tahun kebelakangan ini, pertumbuhan AI generatif yang menakjubkan telah membolehkan banyak aplikasi menarik dalam penjanaan teks ke imej, penjanaan video dan banyak lagi. Prinsip asas di sebalik alat generatif ini ialah konsep resapan, mekanisme pensampelan khas yang mengatasi beberapa kelemahan kaedah terdahulu yang dianggap sukar untuk diselesaikan.

Baru-baru ini, Stanley H. Chan dari Universiti Purdue mengeluarkan tutorial tentang model resapan "Tutorial Model Resapan untuk Pengimejan dan Penglihatan", yang memberikan penjelasan intuitif dan terperinci tentang teknologi ke arah ini.

Matlamat tutorial ini adalah untuk membincangkan idea asas model penyebaran. Tutorial ini akan menerangkan prinsip model resapan dan aplikasinya untuk menyelesaikan masalah lain supaya saintis dan pelajar siswazah boleh lebih memahami dan menggunakan model ini.

Pautan artikel: https://arxiv.org/abs/2403.18103

Tutorial ini terdiri daripada empat bahagian, meliputi beberapa konsep asas yang menyokong model generatif resapan dalam literatur penyelidikan terkini: Variational Autoencoders (VAEs Diffusion), Model Probabilistik (DDPM), Padanan Pecahan Dinamik Langevin (SMLD) dan SDE. Model ini secara bebas memperoleh idea resapan yang sama daripada pelbagai perspektif dan sepanjang 50 halaman.

Pengenalan kepada pengarang

Pengarang tutorial ini ialah Stanley H. Chan, Profesor Madya Elmore, Sekolah Kejuruteraan Elektrik dan Komputer dan Jabatan Perangkaan, Universiti Purdue, Amerika Syarikat.

Pada tahun 2007, Stanley Chan menerima ijazah sarjana mudanya dari Universiti Hong Kong, dan kemudian memperoleh ijazah sarjana dalam bidang matematik dan PhD dalam kejuruteraan elektrik dari University of Canada, San Diego masing-masing pada 2009 dan 2011. Dari 2012 hingga 2014, beliau berkhidmat sebagai felo pasca doktoral di Harvard John A. Paulson School of Engineering and Applied Sciences. Menyertai Universiti Purdue pada tahun 2014.

Stanley Chan terlibat terutamanya dalam penyelidikan pengimejan pengiraan. Misi penyelidikannya adalah untuk membina kamera pintar dengan mereka bentuk bersama sensor dan algoritma untuk membolehkan keterlihatan dalam semua keadaan pengimejan.

Stanley Chan juga telah memenangi pelbagai anugerah kertas, termasuk Anugerah Kertas Terbaik IEEE Signal Processing Society (SPS) 2022, Anugerah Kertas Terbaik IEEE International Conference on Image Processing (ICIP) 2016, dsb.

^{Pautan rujukan:}

^{https://engineering.purdue.edu/ChanGroup/stanleychan.html}

Atas ialah kandungan terperinci Tutorial Model Penyebaran Bernilai Masa Anda, dari Universiti Purdue. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!