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!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Penyebaran bukan sahaja boleh meniru lebih baik, tetapi juga "mencipta". Model resapan (DiffusionModel) 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 luar biasa AI generatif 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 batasan kaedah sebelumnya.

Model resapan kini merupakan modul teras dalam AI generatif dan telah digunakan secara meluas dalam model AI generatif besar seperti Sora, DALL-E dan Imagen. Pada masa yang sama, model resapan semakin digunakan pada siri masa. Artikel ini memperkenalkan anda kepada idea asas model resapan, serta beberapa karya tipikal model resapan yang digunakan dalam siri masa, untuk membantu anda memahami prinsip aplikasi model resapan dalam siri masa. 1. Idea pemodelan model resapan Teras model generatif adalah untuk dapat mengambil sampel titik daripada taburan mudah rawak dan memetakan titik ini kepada imej atau sampel dalam ruang sasaran melalui satu siri transformasi. Kaedah model resapan adalah untuk membuang bunyi secara berterusan pada titik sampel sampel, dan selepas beberapa langkah penyingkiran hingar, data akhir dijana.

Kimi: Hanya dalam satu ayat, dalam sepuluh saat sahaja, PPT akan siap. PPT sangat menjengkelkan! Untuk mengadakan mesyuarat, anda perlu mempunyai PPT; untuk menulis laporan mingguan, anda perlu mempunyai PPT untuk membuat pelaburan, anda perlu menunjukkan PPT walaupun anda menuduh seseorang menipu, anda perlu menghantar PPT. Kolej lebih seperti belajar jurusan PPT Anda menonton PPT di dalam kelas dan melakukan PPT selepas kelas. Mungkin, apabila Dennis Austin mencipta PPT 37 tahun lalu, dia tidak menyangka satu hari nanti PPT akan berleluasa. Bercakap tentang pengalaman sukar kami membuat PPT membuatkan kami menitiskan air mata. "Ia mengambil masa tiga bulan untuk membuat PPT lebih daripada 20 muka surat, dan saya menyemaknya berpuluh-puluh kali. Saya rasa ingin muntah apabila saya melihat PPT itu." ialah PPT." Jika anda mengadakan mesyuarat dadakan, anda harus melakukannya

Pada awal pagi 20 Jun, waktu Beijing, CVPR2024, persidangan penglihatan komputer antarabangsa teratas yang diadakan di Seattle, secara rasmi mengumumkan kertas kerja terbaik dan anugerah lain. Pada tahun ini, sebanyak 10 kertas memenangi anugerah, termasuk 2 kertas terbaik dan 2 kertas pelajar terbaik Selain itu, terdapat 2 pencalonan kertas terbaik dan 4 pencalonan kertas pelajar terbaik. Persidangan teratas dalam bidang visi komputer (CV) ialah CVPR, yang menarik sejumlah besar institusi penyelidikan dan universiti setiap tahun. Mengikut statistik, sebanyak 11,532 kertas telah diserahkan tahun ini, 2,719 daripadanya diterima, dengan kadar penerimaan 23.6%. Menurut analisis statistik data CVPR2024 Institut Teknologi Georgia, dari perspektif topik penyelidikan, bilangan kertas terbesar ialah sintesis dan penjanaan imej dan video (Imageandvideosyn

Sebagai bahasa pengaturcaraan yang digunakan secara meluas, bahasa C merupakan salah satu bahasa asas yang mesti dipelajari bagi mereka yang ingin melibatkan diri dalam pengaturcaraan komputer. Walau bagaimanapun, bagi pemula, mempelajari bahasa pengaturcaraan baharu boleh menjadi sukar, terutamanya disebabkan kekurangan alat pembelajaran dan bahan pengajaran yang berkaitan. Dalam artikel ini, saya akan memperkenalkan lima perisian pengaturcaraan untuk membantu pemula memulakan bahasa C dan membantu anda bermula dengan cepat. Perisian pengaturcaraan pertama ialah Code::Blocks. Code::Blocks ialah persekitaran pembangunan bersepadu sumber terbuka (IDE) percuma untuk

Mula Pantas dengan PyCharm Edisi Komuniti: Tutorial Pemasangan Terperinci Analisis Penuh Pengenalan: PyCharm ialah persekitaran pembangunan bersepadu (IDE) Python yang berkuasa yang menyediakan set alat yang komprehensif untuk membantu pembangun menulis kod Python dengan lebih cekap. Artikel ini akan memperkenalkan secara terperinci cara memasang Edisi Komuniti PyCharm dan menyediakan contoh kod khusus untuk membantu pemula bermula dengan cepat. Langkah 1: Muat turun dan pasang Edisi Komuniti PyCharm Untuk menggunakan PyCharm, anda perlu memuat turunnya dari tapak web rasminya terlebih dahulu

Tajuk: Wajib dibaca untuk pemula teknikal: Analisis kesukaran bahasa C dan Python, memerlukan contoh kod khusus Dalam era digital hari ini, teknologi pengaturcaraan telah menjadi keupayaan yang semakin penting. Sama ada anda ingin bekerja dalam bidang seperti pembangunan perisian, analisis data, kecerdasan buatan, atau hanya belajar pengaturcaraan kerana minat, memilih bahasa pengaturcaraan yang sesuai ialah langkah pertama. Di antara banyak bahasa pengaturcaraan, bahasa C dan Python adalah dua bahasa pengaturcaraan yang digunakan secara meluas, masing-masing mempunyai ciri tersendiri. Artikel ini akan menganalisis tahap kesukaran bahasa C dan Python

Kami tahu bahawa LLM dilatih pada kelompok komputer berskala besar menggunakan data besar-besaran Tapak ini telah memperkenalkan banyak kaedah dan teknologi yang digunakan untuk membantu dan menambah baik proses latihan LLM. Hari ini, perkara yang ingin kami kongsikan ialah artikel yang mendalami teknologi asas dan memperkenalkan cara menukar sekumpulan "logam kosong" tanpa sistem pengendalian pun menjadi gugusan komputer untuk latihan LLM. Artikel ini datang daripada Imbue, sebuah permulaan AI yang berusaha untuk mencapai kecerdasan am dengan memahami cara mesin berfikir. Sudah tentu, mengubah sekumpulan "logam kosong" tanpa sistem pengendalian menjadi gugusan komputer untuk latihan LLM bukanlah proses yang mudah, penuh dengan penerokaan dan percubaan dan kesilapan, tetapi Imbue akhirnya berjaya melatih LLM dengan 70 bilion parameter proses terkumpul
