Generatives Deep Learning, 2. Auflage

Kapitel 8. Diffusionsmodelle

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Kapitel Ziele

In diesem Kapitel lernst du:

• Lerne die grundlegenden Prinzipien und Komponenten kennen, die ein Diffusionsmodell ausmachen.

• Sieh dir an, wie der Vorwärtsprozess verwendet wird, um Rauschen zu den Trainingsbildern hinzuzufügen.

• Verstehe den Trick der Reparametrisierung und warum er wichtig ist.

• Erforsche verschiedene Formen des Zeitplanungsprogramms mit Vorwärtsdiffusion.

• Verstehe den Prozess der Rückwärtsdiffusion und wie er mit dem Prozess des Vorwärtsrauschens zusammenhängt.

• Erforsche die Architektur des U-Netzes, das zur Parametrisierung des Reverse-Diffusionsprozesses verwendet wird.

• Erstelle dein eigenes Denoising-Diffusion-Modell (DDM) mit Keras, um Bilder von Blumen zu erzeugen.

• Probiere neue Bilder von Blumen von deinem Modell aus.

• Untersuche die Auswirkungen der Anzahl der Diffusionsschritte auf die Bildqualität und interpoliere zwischen zwei Bildern im latenten Raum.

Neben GANs sind Diffusionsmodelle eine der einflussreichsten und wirkungsvollsten generativen Modellierungstechniken für die Bilderzeugung, die im letzten Jahrzehnt eingeführt wurden. In vielen Benchmarks übertreffen Diffusionsmodelle heute den Stand der Technik bei GANs und werden schnell zur ersten Wahl für generative Modellierungsverfahren, insbesondere in visuellen Bereichen (z. B. DALL.E 2 von OpenAI und ...