DDPM እና DDIM ናሙናዎች
DDPM እና DDIM የዘፈቀደ ጫጫታ ወደ ምስል ደረጃ በደረጃ በመቀየር የማሰራጨት ሞዴል ተቃራኒ ሂደትን ለማስኬድ ሁለት መንገዶች ናቸው።
አጠቃላይ እይታ
DDPM is the original stochastic recipe; DDIM is a faster, deterministic shortcut that produces comparable images in far fewer steps.
ጥልቅ ዳይቭ
የስርጭት ሞዴል ቀስ በቀስ የ Gaussian ጫጫታ ወደ ምስሎች በማከል ከዚያም ያንን ድምጽ ለመተንበይ ይማራል. የናሙና አወጣጥ ይህን ይለውጠዋል። DDPM (Denoising Diffusion Probabilistic Models፣ Ho et al. 2020) በእያንዳንዱ የጩኸት ደረጃ ወደ ኋላ ይመለሳል፣ በእያንዳንዱ ደረጃ አዲስ የዘፈቀደ ጫጫታ ይጨምራል፣ ስለዚህ በተለምዶ ከመቶ እስከ አንድ ሺህ ደረጃዎች ያስፈልገዋል። DDIM (Diffusion implicit Models፣ Song et al. 2021) ትክክለኛውን የሰለጠነ አውታረ መረብ እንደገና ይጠቀማል፣ነገር ግን የማርኮቪያን ያልሆነ፣ የሚወስን አቅጣጫ ይከተላል። የተወጋውን የዘፈቀደ ሁኔታ በመጣል፣ DDIM ብዙ ጊዜዎችን በመዝለል በ10-50 እርከኖች ከፍተኛ ጥራት ባለው ምስል ላይ ማረፍ ይችላል። ዲዲኤም የሚወስን ስለሆነ፣ ተመሳሳይ የመነሻ ድምጽ ሁልጊዜ ተመሳሳይ ምስል ይሰጣል፣ ይህም ለስላሳ መስተጋብር እና መራባት ያስችላል።
ቴክኒካዊ ግንዛቤ
ሁለቱም ናሙናዎች በጊዜstep t ላይ በምስሉ ላይ የተጨመረውን ድምጽ ኤፒሲሎን የሚተነብይ አውታረ መረብ ይጠቀማሉ። የዲዲፒኤም ማሻሻያ የተመጣጠነ የትንበያ ሥሪትን ይቀንስና ከኋላው የሚወጣ የልዩነት ጫጫታ ይጨምራል። DDIM ማሻሻያውን በመጀመሪያ ንፁህ ምስል x0ን ለመገመት እንደገና ይጽፋል፣ ከዚያም ወደ ቀጣዩ (ትንሽ) የጊዜ ሂደት ያለ ምንም ስቶካስቲክ እንደገና ፕሮጄክት ያድርጉት። አንድ መለኪያ eta ሁለቱን ያዋህዳል፡ eta=1 DDPM ን ይመልሳል፣ eta=0 ሙሉ በሙሉ የሚወሰን ዲዲኤም ይሰጣል።
ስልታዊ ተጽእኖ
ፍጥነት እና ልኬት
ቪዥዋል AI የመመርመሪያ፣ የማወቅ እና የመለያ ስራዎችን በሚዛን መጠን በራስ ሰር ሊያደርግ ይችላል።
ምርጫዎችን ይገንቡ
የፈጠራ ቡድኖች በጥቂት የእጅ ክለሳዎች ጽንሰ-ሀሳቦችን በፍጥነት መተየብ ይችላሉ።
ቡድን እና የስራ ፍሰት
ክዋኔዎች ከዚህ ቀደም ለማስኬድ አስቸጋሪ የነበሩትን የምስል እና የቪዲዮ ምልክቶችን መጠቀም ይችላሉ።
የ DDPM እና DDIM ናሙናዎች የወደፊት ዕጣ
የናሙና ምርምር ወደ አንድ ወይም ጥቂት-ደረጃ ትውልድ እየሮጠ ነው። እንደ DPM-Solver እና DPM-Solver++ ያሉ ከፍተኛ ትዕዛዝ ያላቸው ODE ፈላጊዎች የጥራት ናሙናውን ከ20 እርከኖች በታች ቆርጠዋል፣የማጥለያ ዘዴዎች (progressive distillation፣ consistency ሞዴሎች፣ ድብቅ ወጥነት) ሞዴሎችን ወደ 1-4 ደረጃ ጀነሬተሮች ይጨመቃሉ። የምርት ስርዓቶች በሸማች ሃርድዌር ላይ ለእውነተኛ-ጊዜ ምስል እና ቪዲዮ ውህደት በተለቀቁ እና ተስማሚ ፈቺዎች ላይ ሲደገፉ DDPM/DDIM ሃሳባዊ መነሻዎች እንዲቆዩ ይጠብቁ።
የእውነተኛ-ዓለም አተገባበር
የተረጋጋ ስርጭት ምስል ማመንጨት፣ DDIM እንደ Automatic1111 እና ComfyUI ባሉ መሳሪያዎች ውስጥ ለጽሑፍ-ወደ-ምስል ጥያቄዎች እንደ ፈጣን ነባሪ ናሙና የሚቀርብበት።
ሊባዙ የሚችሉ የጥበብ ቧንቧዎች የዘፈቀደ ዘርን በሚወስነው ዲዲኤም የሚያስተካክሉ ስለዚህ ተመሳሳዩን ምስል ሁልጊዜ ያድሳሉ።
አኒሜሽን ለመቅረጽ በሁለት ምስሎች መካከል ያለው ለስላሳ ድብቅ-የቦታ መስተጋብር፣ በዲዲኤም ወሳኙ ካርታ ከድምጽ ወደ ውፅዓት የተሰራ።
ዲዛይነሮች ቀርፋፋ፣ ከፍተኛ ታማኝነት ያለው የሙሉ-እርምጃ ስራ ከመስራታቸው በፊት ፅንሰ ሀሳቦችን ለማሰስ ባለ20-ደረጃ የዲዲኤም ቅድመ እይታዎችን የሚጠቀሙበት ፈጣን የፈጠራ ድግግሞሽ።
አደጋዎች እና የጥበቃ መንገዶች
የምስል መብቶች እና ፈቃድ ግልጽ ካልሆነ ህጋዊ አደጋዎች ሊሆኑ ይችላሉ።
የሞዴል አፈጻጸም በብርሃን፣ በስነ-ሕዝብ እና በአካባቢው ሊለያይ ይችላል።
የመተማመን ገደቦች ካልተቆጣጠሩ የውሸት አወንታዊ ነገሮች ላይታዩ ይችላሉ።
የትግበራ ፍኖተ ካርታ
ለትክክለኛነት፣ ለማስታወስ እና ለስህተት ወጪዎች የመቀበያ መስፈርቶችን ይግለጹ።
ከእውነተኛ የምርት ሁኔታዎች ጋር በሚዛመድ ውሂብ ይሞክሩ።
ለዝቅተኛ እምነት ወይም ከፍተኛ ተጽዕኖ ትንበያ የሰው ግምገማን ያክሉ።
ከካሜራ ወይም የውሂብ ስብስብ ለውጦች በኋላ የሞዴሉን ተንሸራታች ይከታተሉ እና እንደገና ያረጋግጡ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the DDPM and DDIM Samplers quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
የፍሬሼት መግቢያ ርቀት
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is DDPM and DDIM Samplers?
DDPM እና DDIM የዘፈቀደ ጫጫታ ወደ ምስል ደረጃ በደረጃ በመቀየር የማሰራጨት ሞዴል ተቃራኒ ሂደትን ለማስኬድ ሁለት መንገዶች ናቸው። DDPM ኦሪጅናል stochastic አዘገጃጀት ነው; DDIM ፈጣን፣ ቆራጥ አቋራጭ ነው፣ ተነጻጻሪ ምስሎችን በጣም ባነሰ ደረጃዎች የሚያፈራ።
የ DDIM ከ DDPM ዋነኛው ተግባራዊ ጠቀሜታ ምንድነው?
DDIM ብዙ ጊዜ ደረጃዎችን እንዲዘልል የሚያስችል፣ ጥራት ያለው ምስሎችን በመቶዎች ሳይሆን በግምት ከ10-50 ደረጃዎች በማመንጨት የማርኮቪያን ያልሆነ አቅጣጫ ይከተላል።
የስርጭት ሞዴል የነርቭ ኔትወርክ በስልጠና ወቅት በትክክል ለመተንበይ ምን ይማራል?
አውታረ መረቡ በእያንዳንዱ የጊዜ ደረጃ ላይ የተጨመረውን የ Gaussian ጫጫታ (ኤፒሲሎን) ለመተንበይ የሰለጠነ ነው፣ ይህም ሁለቱም DDPM እና DDIM ሂደቱን ለመቀልበስ ይጠቀሙበታል።
ለምንድነው DDIM በእያንዳንዱ ጊዜ ከተመሳሳይ የመነሻ ጫጫታ አንድ አይነት ምስል መፍጠር የሚችለው?
DDIM በዝማኔው ውስጥ የስቶቻስቲክ ጫጫታ ቃልን ይጥላል፣ ይህም ከድምጽ ወደ ምስል የሚወስደውን መንገድ ሙሉ በሙሉ የሚወስን እና ሊባዛ የሚችል ያደርገዋል።
በዲዲኤም ውስጥ፣ የመለኪያ eta ምን ዋጋ የመጀመሪያውን ስቶቻስቲክ DDPM ባህሪ መልሷል?
የኢታ መለኪያው በሁለቱ ናሙናዎች መካከል ይገናኛል፡ eta=1 ሙሉ የዲፒኤም ስቶቻስቲክስ ይሰጣል፣ eta=0 ደግሞ ሙሉ በሙሉ የሚወስን ዲዲኤም ይሰጣል።
የመጀመሪያው DDPM ከፍተኛ ጥራት ላላቸው ናሙናዎች ምን ያህል ደረጃዎች ፈልጎ ነበር?
ዲዲፒኤም የዘፈቀደነትን በመጨመር በእያንዳንዱ የጩኸት ደረጃ ወደ ኋላ ይመለሳል፣ ስለዚህ በተለምዶ በመቶዎች እስከ አንድ ሺህ የሚደርሱ ተቃራኒ እርምጃዎችን ይፈልጋል።