🌕 擴散模型簡明解說
➤ 探索AI圖像生成的另一種途徑
✤ https://www.seangoedecke.com/diffusion-models-explained/
本文深入淺出地解釋了擴散模型的原理，與基於Transformer的大型語言模型進行比較。擴散模型透過逐步去除噪點來生成圖像或其他數據，其訓練過程涉及識別並預測添加到圖像上的噪點。文章詳細闡述了訓練和推理的過程，以及變分自動編碼器（VAE）和無分類器引導等關鍵技術。此外，文章也探討了擴散模型與Transformer模型在運作方式上的根本差異，並分享了對擴散模型成功背後潛在機制的猜測，以及擴散模型在影片生成上的應用。
+ 這篇文章用非常清楚的方式解釋了擴散模型，讓我對AI圖像生成技術有了更深入的瞭解。
+ 雖然文章解釋得很詳細，但擴散模型的底層機制還是有些難以理解，希望未來能有更簡單易懂的解釋。
#人工智慧 #機器學習 #擴散模型 #AI技術

🌘 擴散模型令人感興趣
➤ 擴散模型如何改善語言生成過程
✤ https://rnikhil.com/2025/03/06/diffusion-models-eval
一家名為Inception Labs的公司推出了一種擴散語言模型（dLLM），它不再是自回歸式的，而是同時生成與驗證文本，這在代碼生成方面表現超過類似大小的傳統模型，宣稱速度和效率提升5-10倍。
+ 這種技術的改進是否能應用於更多的實際案例呢？
+ 我想知道這樣的模型在真正的客戶服務中表現如何！
#擴散模型 #LLM技術

Diffusion is spectral autoregression – Sander Dieleman

Link📌 Summary:
這篇文章探討了擴散模型和自回歸模型之間的相似性，指出擴散模型實際上在頻域中實現了近似自回歸。本文作者使用Python Notebook形式提供了分析工具，讓讀者可以重現圖示和分析。文章討論了擴散過程如何通過可能的頻域解釋來理解圖像生成的特性，並提到擴散與自回歸之間的潛在聯繫，特別是在視覺數據方面。作者也簡要提到音頻領域的擴散模型可能無法完全類比於圖像的情況，並探討了不同模態未來融合的潛力。

🎯 Key Points:
- 擴散模型和自回歸模型在生成模型的架構上有共同之處，都是通過逐步預測來簡化生成複雜數據的任務。
- 擴散模型的特性在於其粗到細的生成過程，較早的去噪步驟決定圖像的大範圍結構。
- 文中使用傅立葉變換探討了圖像的頻率結構，並發現自然圖片的頻譜遵循近似的冪律特徵。
- 文章分析了音頻中的擴散過程，發現其頻譜表現出不同於圖像的特性，並指出作者對於音頻和圖像頻譜的比較。
- 未來的研究可能會將擴散和自回歸模型進一步結合，以應用於多模態生成。

🔖 Keywords:
#擴散模型 #自回歸模型 #傅立葉變換 #視覺數據 #音頻數據

🌘 從頭建立擴散模型
➤ 從零開始建立擴散模型
✤ https://www.chenyang.co/diffusion.html
最近擴散模型在生成建模領域取得印象深刻的成果，特別是在從多模態分佈中取樣方面。擴散模型不僅在文本到圖像生成工具中廣泛應用，還在其他應用領域表現優異，如音頻/視頻/3D生成、蛋白質設計、機器人路徑規劃等，這些都需要從多模態分佈中取樣。本教程旨在從優化角度介紹擴散模型，並將著重於理論和程式碼，使用理論來解釋如何從頭實現擴散模型。教程將引用來自smalldiffusion的程式碼。通過本教程，您將學習如何為玩具數據集實現訓練和取樣代碼，該代碼也適用於更大的數據集和模型。
+ 優秀的教程，清晰解釋了擴散模型的理論和實作方法。
+ 精簡扼要地介紹了關於擴散模型的重要概念，讓讀者容易理解。
#擴散模型 #機器學習

🌘 使用擴散模型生成多視角光學幻覺
➤ 簡單方法生成多視角光學幻覺
✤ https://dangeng.github.io/visual_anagrams/
本文介紹了一種簡單且零訓練的方法來生成多視角光學幻覺。我們使用預訓練的擴散模型來估計圖像在不同視角或轉換下的噪音，並通過將逆視角應用於噪音估計並將其平均，來生成光學幻覺。
+ 這種方法非常有趣，讓人對光學幻覺的生成產生了新的想法。
+ 這項研究拓展了光學幻覺的生成方式，為視覺效果研究帶來了新的可能性。
#光學幻覺 #擴散模型 #視覺效果

🌘 GitHub - cabralpinto/modular-diffusion: 設計和訓練自己的 PyTorch 擴散模型的 Python 函式庫
➤ Python 函式庫，用於設計和訓練自己的擴散模型
✤ https://github.com/cabralpinto/modular-diffusion
這是一個 Python 函式庫，可用於設計和訓練自己的擴散模型，並提供高度模塊化的設計，以及預先構建的模塊和與 PyTorch 的集成。
+ 這是一個很棒的函式庫，對於想要設計和訓練自己的擴散模型的人來說非常有用。
+ 這個函式庫的模塊化設計非常好，使得使用者可以輕鬆地更換不同的擴散過程組件，並且提供了許多預先構建的模塊，讓使用者可以快速入門。
#Python #機器學習 #PyTorch #模塊化設計 #擴散模型