李沐学AI--DALL·E 2 + Diffusion Model_跟着李沐学ai diffusion

DALL·E 2

CLIP的一半的反过程
clip是 text–> text feature
image --> image fueture
对比找相似的，就能进行分类任务，将给定的图像与给定的text对应起来。

dall e2是
text – > text feature --> image feature -->（扩散模型）–> image
就能进行图像生成了，就是从text到图像。其中image feature是使用CLIP监督的。

DALL·E2原文讨论了五六个它自己的局限性/可能的发展方向，但这不影响它很强

有意思的局限：

无法理解 逻辑关系，可能是因为CLIP就是找图片-文本对，找文字描述的具有某些物体所对应的图像，而不能理解上下左右等关系？

图片中的文字没有逻辑。生成的图中的文字是逻辑混乱的。

扩散模型讲解

GAN：

训练不够稳定
尽可能的真实，但是多样性不高，主要是来自于噪声
不是一个概率模型（？），生成都是隐式的，不知道数据的内在分布

GAN不是概率模型的解释：
无明确的概率解释：GAN的生成器并不直接建模数据的概率分布，而是通过一个随机噪声向量生成数据，这个过程没有明确的概率解释。
无法进行精确的推断：在概率模型中，你可以根据已知的数据推断出未知的参数。但在GAN中，由于没有明确的概率模型，你无法进行这样的推断。
训练过程与概率无关：GAN的训练过程是一个最小化生成器和判别器之间的“对抗”损失函数的过程，而这个过程与概率无关。

AE: Auto-Encoder

DAE: Denoising Auto-encoder

类似的还有MAE：masked auto-encoder
主要就是去学习bottleneck那个特征，拿特征图/向量去做检测分割等任务
但是这个不是随机噪声，是用来重建的一个特征，没办法做生成任务，为什么？

VAE: Variational Auto-encoder

待仔细研读，怎么将其转化为概率模型的？

VQVAE: Vector Quantised Variational Auto-encoder

Diffusion Model

再从噪声恢复回去，就是图像生成。

DDPM 思想类似resnet，预测噪声而不是每一步中的图像

扩散模型的分数是
inception score：
IS score：
FID score：

improved DDPM

Diffusion Model Beats GAN

DALL·E2