Sampuli za DDPM na DDIM
DDPM na DDIM ni njia mbili za kuendesha mchakato wa kinyume wa muundo wa uenezaji, kugeuza kelele ya nasibu kuwa picha hatua kwa hatua.
Muhtasari
DDPM is the original stochastic recipe; DDIM is a faster, deterministic shortcut that produces comparable images in far fewer steps.
Dive ya kina
Mfano wa uenezaji hufunzwa kwa kuongeza hatua kwa hatua kelele ya Gaussian kwa picha, kisha kujifunza kutabiri kelele hiyo. Sampuli inabadilisha hii. DDPM (Denoising Diffusion Probabilistic Models, Ho et al. 2020) hurudi nyuma kupitia kila kiwango cha kelele, na kuongeza kelele mpya ya nasibu katika kila hatua, kwa hivyo inahitaji hatua mamia hadi elfu. DDIM (Denoising Diffusion Implicit Models, Song et al. 2021) hutumia tena mtandao ule ule uliofunzwa lakini inafuata mkondo usio wa Markovia, bainishi. Kwa kuacha nasibu iliyodungwa, DDIM inaweza kuruka hatua nyingi na bado kutua kwenye picha ya ubora wa juu katika hatua 10-50. Kwa sababu DDIM ni ya kubainisha, kelele ile ile ya kuanzia daima hutoa picha sawa, kuwezesha ukalimani na uzalishwaji tena laini.
Ufahamu wa Kiufundi
Sampuli zote mbili hutumia mtandao unaotabiri epsilon ya kelele iliyoongezwa kwenye picha kwa wakati wa t. Sasisho la DDPM huondoa toleo lililowekwa alama la utabiri huo na kisha kuongeza kelele za tofauti zinazotolewa kutoka upande wa nyuma. DDIM huandika upya sasisho ili kwanza kukadiria taswira safi x0, kisha iirejeshe mbele kwa hatua inayofuata (ndogo) bila neno la muda. Kigezo eta huchanganya hizi mbili: eta=1 inarejesha DDPM, eta=0 inatoa DDIM inayoamua kikamilifu.
Athari za kimkakati
Kasi na kiwango
Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
Tengeneza chaguzi
Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
Timu na mtiririko wa kazi
Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Mustakabali wa Sampuli za DDPM na DDIM
Utafiti wa sampuli unakimbilia kizazi cha hatua moja au chache. Viyeyusho vya ODE vya mpangilio wa juu kama vile DPM-Solver na DPM-Solver++ tayari vimekata sampuli za ubora hadi chini ya hatua 20, huku mbinu za kunereka (uchezeshaji unaoendelea, miundo ya uthabiti, uthabiti fiche) zikibana miundo katika jenereta za hatua 1-4. Tarajia DDPM/DDIM kubaki misingi ya kidhahania huku mifumo ya uzalishaji ikiegemea viyeyushi vilivyomiminika na vinavyobadilika kwa usanisi wa picha na video wa wakati halisi kwenye maunzi ya watumiaji.
Utekelezaji wa Ulimwengu Halisi
Uzalishaji wa picha wa Usambazaji Imara, ambapo DDIM hutolewa kama sampuli chaguo-msingi ya haraka kwa maongozi ya maandishi hadi picha katika zana kama vile Automatic1111 na ComfyUI.
Njia za sanaa zinazoweza kuzalishwa tena ambazo hurekebisha mbegu nasibu kwa kutumia DDIM ya kubainisha ili kidokezo sawa na mbegu huzalisha upya picha inayofanana kila wakati.
Ufafanuzi laini wa nafasi iliyofichika kati ya picha mbili za uhuishaji wa uundaji, uliowezeshwa na ubainishaji wa ramani ya DDIM kutoka kelele hadi pato.
Urejeshaji wa haraka wa ubunifu ambapo wabunifu hutumia onyesho la kuchungulia la DDIM la hatua 20 ili kuchunguza dhana kabla ya kujitolea kwa uwasilishaji wa polepole na wa juu zaidi.
Hatari & Walinzi
Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Ramani ya Utekelezaji
Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
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
Mwongozo unaofuata
Umbali wa Kuanzishwa kwa Fréchet
Maswali yanayoulizwa mara kwa mara
What is DDPM and DDIM Samplers?
DDPM na DDIM ni njia mbili za kuendesha mchakato wa kinyume wa muundo wa uenezaji, kugeuza kelele ya nasibu kuwa picha hatua kwa hatua. DDPM ni kichocheo cha asili cha stochastic; DDIM ni njia ya mkato ya haraka, inayobainisha ambayo hutoa picha zinazoweza kulinganishwa katika hatua chache zaidi.
Ni faida gani kuu ya vitendo ya DDIM juu ya DDPM?
DDIM inafuata mwelekeo wa kubainisha, usio wa Markovia unaoiruhusu kuruka hatua nyingi za nyakati, ikitoa picha za ubora kwa takriban hatua 10-50 badala ya mamia.
Mtandao wa neural wa mtindo wa uenezaji hujifunza nini kutabiri wakati wa mafunzo?
Mtandao umefunzwa kutabiri kelele ya Gaussian (epsilon) inayoongezwa kila wakati, ambayo DDPM na DDIM kisha hutumia kubadilisha mchakato.
Kwa nini DDIM inaweza kutoa picha sawa kutoka kwa kelele ile ile ya kuanzia kila wakati?
DDIM hudondosha neno la kelele stochastiki katika usasishaji wake, na kufanya njia kutoka kwa kelele hadi picha kubainishwa kikamilifu na kwa hivyo iweze kuzaliana.
Katika DDIM, ni thamani gani ya kigezo eta hurejesha tabia asili ya stochastic DDPM?
Kigezo cha eta huingiliana kati ya sampuli mbili: eta=1 inatoa hali kamili ya DDPM, wakati eta=0 inatoa DDIM inayoamua kikamilifu.
Takriban ni hatua ngapi ambazo DDPM asili ilihitaji kwa sampuli za ubora wa juu?
DDPM hurudi nyuma kupitia kila kiwango cha kelele na kuongeza nasibu, kwa hivyo ilihitajika kwa mpangilio wa mamia hadi elfu hatua za kurudi nyuma.