DDPM ve DDIM Örnekleyiciler
DDPM ve DDIM, rastgele gürültüyü adım adım görüntüye dönüştürerek bir yayılma modelinin ters sürecini yürütmenin iki yoludur.
Genel Bakış
DDPM is the original stochastic recipe; DDIM is a faster, deterministic shortcut that produces comparable images in far fewer steps.
Derin Dalış
Bir yayılma modeli, görüntülere kademeli olarak Gauss gürültüsü eklenerek ve ardından bu gürültüyü tahmin etmeyi öğrenerek eğitilir. Örnekleme bunu tersine çevirir. DDPM (Gürültü Giderici Difüzyon Olasılık Modelleri, Ho ve diğerleri, 2020), her gürültü seviyesinde geriye doğru yürür ve her adımda yeni bir rastgele gürültü damlası ekler, dolayısıyla genellikle yüzlerce ila bin adım gerektirir. DDIM (Denoising Diffusion Implicit Models, Song ve diğerleri 2021), tamamen aynı eğitimli ağı yeniden kullanır ancak Markovian olmayan, deterministik bir yörünge izler. DDIM, enjekte edilen rastgeleliği bırakarak birçok zaman adımını atlayabilir ve yine de 10-50 adımda yüksek kaliteli bir görüntüye ulaşabilir. DDIM deterministik olduğundan, aynı başlangıç gürültüsü her zaman aynı resmi verir, böylece sorunsuz enterpolasyon ve tekrarlanabilirlik sağlanır.
Teknik Bilgi
Her iki örnekleyici de t zaman adımında görüntüye eklenen gürültü epsilonunu tahmin eden bir ağ kullanır. DDPM'nin güncellemesi, bu tahminin ölçekli bir versiyonunu çıkarır ve ardından arkadan alınan varyans gürültüsünü ekler. DDIM, önce temiz görüntüyü x0 tahmin etmek için güncellemeyi yeniden yazar, ardından bunu stokastik terim olmadan bir sonraki (daha küçük) zaman adımına yeniden yansıtır. Bir parametre eta bu ikisini harmanlar: eta=1 DDPM'yi kurtarır, eta=0 ise tamamen deterministik DDIM'yi verir.
Stratejik Etki
Speed and scale
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Build choices
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Ekip ve iş akışı
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
DDPM ve DDIM Örnekleyicilerin Geleceği
Örnekleyici araştırması bir veya birkaç adımlı nesile doğru hızla ilerliyor. DPM-Solver ve DPM-Solver++ gibi üst düzey ODE çözümleyicileri halihazırda kaliteli örneklemeyi 20 adımın altına düşürürken, damıtma yöntemleri (aşamalı damıtma, tutarlılık modelleri, gizli tutarlılık) modelleri 1-4 adımlı oluşturuculara sıkıştırıyor. Üretim sistemleri, tüketici donanımında gerçek zamanlı görüntü ve video sentezi için damıtılmış ve uyarlanabilir çözücülere dayanırken, DDPM/DDIM'in kavramsal temeller olarak kalmasını bekleyin.
Gerçek Dünya Uygulaması
DDIM'in, Otomatik1111 ve ComfyUI gibi araçlarda metinden görüntüye istemler için hızlı bir varsayılan örnekleyici olarak sunulduğu Kararlı Difüzyon görüntü oluşturma.
Rastgele çekirdeği deterministik DDIM ile sabitleyen tekrarlanabilir sanat ardışık düzenleri, böylece aynı istem ve tohum her zaman aynı görüntüyü yeniden oluşturur.
DDIM'in gürültüden çıktıya kadar deterministik eşlemesi sayesinde geçiş animasyonları için iki görüntü arasında pürüzsüz gizli alan enterpolasyonu mümkün kılındı.
Tasarımcıların daha yavaş, daha yüksek doğrulukta tam adımlı işlemeye başlamadan önce konseptleri keşfetmek için 20 adımlı DDIM önizlemelerini kullandığı hızlı yaratıcı yineleme.
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
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
Next guide
Fréchet Başlangıç Mesafesi
Sık sorulan sorular
What is DDPM and DDIM Samplers?
DDPM ve DDIM, rastgele gürültüyü adım adım görüntüye dönüştürerek bir yayılma modelinin ters sürecini yürütmenin iki yoludur. DDPM orijinal stokastik reçetedir; DDIM, çok daha az adımda karşılaştırılabilir görüntüler üreten daha hızlı ve belirleyici bir kısayoldur.
DDIM'in DDPM'ye göre temel pratik avantajı nedir?
DDIM, yüzlerce adım yerine yaklaşık 10-50 adımda kaliteli görüntüler üreten, birçok zaman adımını atlamasına olanak tanıyan deterministik, Markovian olmayan bir yörünge izler.
Bir yayılma modelinin sinir ağı, eğitim sırasında gerçekte neyi tahmin etmeyi öğrenir?
Ağ, her zaman adımında eklenen Gauss gürültüsünü (epsilon) tahmin edecek şekilde eğitilmiştir; bu gürültüyü hem DDPM hem de DDIM daha sonra süreci tersine çevirmek için kullanır.
DDIM neden her seferinde aynı başlangıç gürültüsünden tam olarak aynı görüntüyü üretebiliyor?
DDIM, güncellemesinde stokastik gürültü terimini kaldırarak gürültüden görüntüye giden yolu tamamen deterministik ve dolayısıyla tekrarlanabilir hale getirir.
DDIM'de eta parametresinin hangi değeri orijinal stokastik DDPM davranışını kurtarır?
Eta parametresi iki örnekleyici arasında enterpolasyon yapar: eta=1 tam DDPM stokastisitesini verir, eta=0 ise tamamen deterministik DDIM'yi verir.
Yüksek kaliteli numuneler için orijinal DDPM'nin tipik olarak yaklaşık olarak kaç adıma ihtiyacı vardı?
DDPM, rastgelelik ekleyerek her gürültü seviyesinden geriye doğru yürür, bu nedenle genellikle yüzlerce ila bin arası ters adım gerektirir.