概率扩散模型 Probabilistic Diffusion Model_扩散概率模型

作者：小丑西瓜9 | 2024-05-26 01:39:52

踩

扩散概率模型

主要参考文献：

[1] Denoising Diffusion Probabilistic Models

一、扩散模型

首先确定的是扩散模型是一个生成模型，过程简单来说就是去拟合目标数据的分布，之后根据这个拟合后的分布去生成数据。扩散模型的工作原理是学习由于噪声引起的信息衰减，然后使用学习到的模式来生成图像。该概念也适用于潜在变量，因为它试图学习噪声分布而不是数据分布。

训练模型的过程：假设我们有N张训练集图片，第一个过程就是将这N张真实图片扩散(diffusion)成N张噪声图，之后可以根据这N张训练整个重建(reverse)的过程。

推理模型的过程：有了已经训练好的reverse过程，我们只需要在高斯分布上进行采样获得高斯噪声，在这个采样获得的噪声上进行翻转，最终可以得到生成的结果。

贝叶斯公式：

$P(A|B)=P(B|A)*P(A)/P(B)$

$P(A,B,C)=P(C|B,A)P(B,A)=P(C|B,A)P(B|A)P(A)$

$P(B,C|A)=P(B|A)P(C|B,A)$

满足A->B->C的马尔可夫链概率：

$P(A,B,C)=P(C|B,A)P(A,B)=P(C|B)P(B|A)P(A)$

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小丑西瓜9/article/detail/624599