值得你花時間看的擴散模型教程，來自普渡大學

Diffusion 不僅可以更好地模仿，而且可以進行「創作」。

擴散模型（Diffusion Model）是一種影像生成模型。與先前AI領域大名鼎鼎的GAN、VAE等演算法，擴散模型另闢蹊徑，其主要想法是先對影像增加噪聲，再逐步去噪的過程。其中如何去噪還原原影像是演算法的核心部分。最終演算法能夠從一張隨機的雜訊影像中產生影像。

近年來，生成式AI的驚人成長將文字轉換為圖像生成、視訊生成等領域的許多令人興奮的應用提供了支持。這些生成工具背後的基本原理是擴散的概念，這是一種特殊的取樣機制，克服了先前的方法中被認為難以解決的一些缺點。

最近，來自普渡大學的 Stanley H. Chan 發布了一份擴散模型的教程《Tutorial on Diffusion Models for Imaging and Vision》，對該方向技術進行了直觀詳盡的解釋。

本教程的目標是討論擴散模型的基本思想，目標受眾包括對擴散模型研究感興趣的科學家和研究生。本教程將講解擴散模型的原理及其在解決其他問題上的應用，以便科學家和研究生能夠更好地理解和運用這些模型。

文章連結：https://arxiv.org/abs/2403.18103

教學包括四個部分，涵蓋了最近研究文獻中支持擴散產生模型的一些基本概念：變分自編碼器（VAE）、去噪擴散機率模型（DDPM）、Langevin動力學分數匹配（SMLD）和SDE。這些模型從多個角度獨立導出了相同的擴散思想，共長50頁。

作者介紹

這篇教學的作者是美國普渡大學電機與電腦工程學院和統計學系Elmore 副教授Stanley H. Chan。

2007年，Stanley Chan在香港大學獲得學士學位，隨後於2009年和2011年分別在加拿大大學聖地牙哥分校獲得數學碩士學位和電機工程博士學位。 2012年至2014年間，他在哈佛大學約翰·A·保爾森工程與應用科學學院擔任博士後研究員。 2014年加入普渡大學。

Stanley Chan 主要從事計算成像研究。他的研究任務是透過共同設計感測器和演算法來建構智慧相機，以實現在所有成像條件下的可視性。

Stanley Chan 也多次獲得論文獎項，包括 2022 年 IEEE 信號處理學會（SPS）最佳論文獎、2016 年 IEEE 國際圖像處理會議（ICIP）最佳論文獎等等。

^{參考連結：}

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

以上是值得你花時間看的擴散模型教程，來自普渡大學的詳細內容。更多資訊請關注PHP中文網其他相關文章！