DDPM এবং DDIM স্যাম্পলার
ডিডিপিএম এবং ডিডিআইএম একটি ডিফিউশন মডেলের বিপরীত প্রক্রিয়া চালানোর দুটি উপায়, ধাপে ধাপে এলোমেলো শব্দকে চিত্রে পরিণত করে।
ওভারভিউ
DDPM is the original stochastic recipe; DDIM is a faster, deterministic shortcut that produces comparable images in far fewer steps.
গভীর ডুব
একটি ডিফিউশন মডেলকে ধীরে ধীরে চিত্রগুলিতে গাউসিয়ান শব্দ যোগ করে প্রশিক্ষিত করা হয়, তারপর সেই শব্দের পূর্বাভাস দিতে শেখে। নমুনা এই বিপরীত. DDPM (Denoising Diffusion Probabilistic Models, Ho et al. 2020) প্রতিটি শব্দের স্তরের মধ্য দিয়ে ফিরে যায়, প্রতিটি ধাপে এলোমেলো শব্দের একটি নতুন ড্যাব যোগ করে, তাই এটি সাধারণত শত শত থেকে হাজার ধাপের প্রয়োজন হয়। DDIM (Denoising Diffusion Implicit Models, Song et al. 2021) ঠিক একই প্রশিক্ষিত নেটওয়ার্ক পুনরায় ব্যবহার করে কিন্তু একটি অ-মার্কোভিয়ান, নির্ধারক গতিপথ অনুসরণ করে। ইনজেকশন করা এলোমেলোতা বাদ দিয়ে, ডিডিআইএম অনেক টাইমস্টেপ এড়িয়ে যেতে পারে এবং এখনও 10-50 ধাপে একটি উচ্চ-মানের ছবিতে অবতরণ করতে পারে। যেহেতু ডিডিআইএম নির্ধারক, একই প্রারম্ভিক শব্দ সর্বদা একই ছবি দেয়, মসৃণ ইন্টারপোলেশন এবং প্রজননযোগ্যতা সক্ষম করে।
প্রযুক্তিগত অন্তর্দৃষ্টি
উভয় নমুনাকারী একটি নেটওয়ার্ক ব্যবহার করে যা ভবিষ্যদ্বাণী করে যে টাইমস্টেপ টি এ একটি ছবিতে যোগ করা নয়েজ এপসিলন। DDPM-এর আপডেট সেই ভবিষ্যদ্বাণীর একটি স্কেল করা সংস্করণ বিয়োগ করে এবং তারপরে পোস্টেরিয়র থেকে আঁকা বৈচিত্র্য শব্দ যোগ করে। DDIM প্রথমে পরিষ্কার ইমেজ x0 অনুমান করার জন্য আপডেটটিকে পুনরায় লেখা করে, তারপর কোনো স্টকাস্টিক শব্দ ছাড়াই পরবর্তী (ছোট) টাইমস্টেপে এটিকে পুনরায় প্রজেক্ট করে। একটি প্যারামিটার eta দুটিকে মিশ্রিত করে: eta=1 DDPM পুনরুদ্ধার করে, eta=0 সম্পূর্ণরূপে নির্ধারক DDIM দেয়।
কৌশলগত প্রভাব
গতি এবং স্কেল
ভিজ্যুয়াল এআই স্কেলে পরিদর্শন, সনাক্তকরণ এবং ট্যাগিং কাজগুলি স্বয়ংক্রিয়ভাবে করতে পারে।
পছন্দগুলি তৈরি করুন
সৃজনশীল দলগুলি কম ম্যানুয়াল সংশোধন সহ ধারণাগুলিকে দ্রুত প্রোটোটাইপ করতে পারে।
টিম এবং ওয়ার্কফ্লো
অপারেশনগুলি ইমেজ এবং ভিডিও সংকেত ব্যবহার করতে পারে যা আগে প্রক্রিয়া করা কঠিন ছিল।
ডিডিপিএম এবং ডিডিআইএম স্যাম্পলারের ভবিষ্যত
নমুনা গবেষণা এক বা কয়েক ধাপ প্রজন্মের দিকে দৌড়াচ্ছে। DPM-Solver এবং DPM-Solver++ এর মতো উচ্চ-ক্রমের ODE সমাধানকারীরা ইতিমধ্যেই 20 ধাপের নিচে গুণমানের নমুনা কেটেছে, যখন পাতন পদ্ধতি (প্রগতিশীল পাতন, ধারাবাহিকতা মডেল, সুপ্ত সামঞ্জস্য) মডেলগুলিকে 1-4 ধাপ জেনারেটরে সংকুচিত করে। ডিডিপিএম/ডিডিআইএম ধারণাগত বেসলাইন থাকার প্রত্যাশা করুন যখন উত্পাদন সিস্টেমগুলি ভোক্তা হার্ডওয়্যারে রিয়েল-টাইম ইমেজ এবং ভিডিও সংশ্লেষণের জন্য পাতিত এবং অভিযোজিত সমাধানকারীদের উপর ঝুঁকছে।
বাস্তব-বিশ্ব বাস্তবায়ন
স্থিতিশীল ডিফিউশন ইমেজ জেনারেশন, যেখানে DDIM অটোমেটিক1111 এবং কমফিইউআই-এর মতো টুলে টেক্সট-টু-ইমেজ প্রম্পটের জন্য দ্রুত ডিফল্ট স্যাম্পলার হিসেবে অফার করা হয়।
পুনরুত্পাদনযোগ্য শিল্প পাইপলাইন যা নির্ধারক ডিডিআইএম এর সাথে এলোমেলো বীজ ঠিক করে তাই একই প্রম্পট এবং বীজ সর্বদা অভিন্ন চিত্রটি পুনরুত্পাদন করে।
মর্ফিং অ্যানিমেশনের জন্য দুটি ছবির মধ্যে মসৃণ সুপ্ত-স্পেস ইন্টারপোলেশন, ডিডিআইএম-এর ডিটারমিনিস্টিক ম্যাপিং শব্দ থেকে আউটপুট পর্যন্ত সম্ভব হয়েছে।
দ্রুত সৃজনশীল পুনরাবৃত্তি যেখানে ডিজাইনাররা ধীর, উচ্চ-বিশ্বস্ততার পূর্ণ-পদক্ষেপ রেন্ডারে প্রতিশ্রুতিবদ্ধ হওয়ার আগে ধারণাগুলি অন্বেষণ করতে 20-পদক্ষেপ DDIM পূর্বরূপ ব্যবহার করে।
ঝুঁকি এবং প্রহরী
প্রমাণ অস্পষ্ট হলে ছবির অধিকার এবং সম্মতি আইনি ঝুঁকিতে পরিণত হতে পারে।
মডেলের কর্মক্ষমতা আলো, জনসংখ্যা এবং পরিবেশ জুড়ে পরিবর্তিত হতে পারে।
আস্থার থ্রেশহোল্ডগুলি পর্যবেক্ষণ করা না হলে মিথ্যা ইতিবাচকগুলি অলক্ষিত হতে পারে।
বাস্তবায়ন রোডম্যাপ
নির্ভুলতা, প্রত্যাহার, এবং ত্রুটি খরচের জন্য গ্রহণযোগ্যতার মানদণ্ড নির্ধারণ করুন।
প্রকৃত উৎপাদন অবস্থার সাথে মেলে এমন ডেটা দিয়ে পরীক্ষা করুন।
কম-আস্থা বা উচ্চ-প্রভাব ভবিষ্যদ্বাণীর জন্য মানুষের পর্যালোচনা যোগ করুন।
মডেল ড্রিফ্ট ট্র্যাক করুন এবং ক্যামেরা বা ডেটাসেট পরিবর্তনের পরে পুনরায় যাচাই করুন।
অন্বেষণ চালিয়ে যান
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
পরবর্তী গাইড
ফ্রেচেট ইনসেপশন দূরত্ব
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is DDPM and DDIM Samplers?
ডিডিপিএম এবং ডিডিআইএম একটি ডিফিউশন মডেলের বিপরীত প্রক্রিয়া চালানোর দুটি উপায়, ধাপে ধাপে এলোমেলো শব্দকে চিত্রে পরিণত করে। DDPM হল মূল স্টোকাস্টিক রেসিপি; DDIM হল একটি দ্রুততর, নির্ধারক শর্টকাট যা তুলনামূলক ছবি তৈরি করে অনেক কম ধাপে।
DDPM এর উপর DDIM এর প্রধান ব্যবহারিক সুবিধা কি?
ডিডিআইএম একটি নির্ধারক, অ-মার্কোভিয়ান ট্র্যাজেক্টোরি অনুসরণ করে যা এটিকে অনেক সময় ধাপ এড়িয়ে যেতে দেয়, শত শতের পরিবর্তে প্রায় 10-50 ধাপে গুণমানের ছবি তৈরি করে।
একটি ডিফিউশন মডেলের নিউরাল নেটওয়ার্ক আসলে কি প্রশিক্ষণের সময় ভবিষ্যদ্বাণী করতে শেখে?
প্রতিটি টাইমস্টেপে যোগ করা গাউসিয়ান শব্দ (এপসিলন) ভবিষ্যদ্বাণী করার জন্য নেটওয়ার্ককে প্রশিক্ষিত করা হয়, যা ডিডিপিএম এবং ডিডিআইএম উভয়ই প্রক্রিয়াটিকে বিপরীত করতে ব্যবহার করে।
কেন ডিডিআইএম প্রতিবার একই প্রারম্ভিক শব্দ থেকে একই চিত্র তৈরি করতে পারে?
ডিডিআইএম তার আপডেটে স্টোকাস্টিক নয়েজ শব্দটি ড্রপ করে, শব্দ থেকে চিত্রে যাওয়ার পথটিকে সম্পূর্ণরূপে নির্ধারক এবং তাই পুনরুত্পাদনযোগ্য করে তোলে।
ডিডিআইএম-এ, প্যারামিটার eta-এর কোন মান মূল স্টোকাস্টিক DDPM আচরণ পুনরুদ্ধার করে?
eta প্যারামিটার দুটি নমুনার মধ্যে আন্তঃপ্রকাশ করে: eta=1 সম্পূর্ণ DDPM স্টোকাস্টিসিটি দেয়, যখন eta=0 সম্পূর্ণরূপে নির্ধারক DDIM দেয়।
উচ্চ-মানের নমুনার জন্য মূল DDPM-এর সাধারণত কতগুলি ধাপের প্রয়োজন ছিল?
ডিডিপিএম এলোমেলোতা যোগ করে প্রতিটি শব্দ স্তরের মধ্য দিয়ে ফিরে যায়, তাই এটি সাধারণত শত থেকে এক হাজার বিপরীত পদক্ষেপের প্রয়োজন হয়।