Ddpm Ema Church 256

🚀 ノイジング拡散確率モデル (DDPM)

拡散確率モデルを用いた高品質な画像合成結果を提示します。これは、非平衡熱力学から着想を得た潜在変数モデルの一種です。

🚀 クイックスタート

このDDPMモデルについて、以下の情報をご紹介します。

論文情報

• 論文: Denoising Diffusion Probabilistic Models
• 著者: Jonathan Ho, Ajay Jain, Pieter Abbeel

概要

我々は、非平衡熱力学の考え方に触発された潜在変数モデルの一種である拡散確率モデルを用いて、高品質な画像合成結果を提示します。最良の結果は、拡散確率モデルとランゲヴィンダイナミクスによるノイズ除去スコアマッチングとの新しい関係に基づいて設計された重み付き変分バウンドで訓練することで得られます。また、我々のモデルは、自己回帰復号化の一般化と解釈できる漸進的な損失圧縮スキームを自然に認めます。無条件のCIFAR10データセットでは、Inceptionスコア9.46と最先端のFIDスコア3.17を達成します。256x256のLSUNでは、ProgressiveGANに匹敵するサンプル品質を得ます。

✨ 主な機能

推論

DDPMモデルは、以下のような離散ノイズスケジューラを使用できます。

• scheduling_ddpm
• scheduling_ddim
• scheduling_pndm

推論に使用します。なお、ddpmスケジューラは最も高品質な結果をもたらしますが、最も時間がかかります。品質と推論速度のバランスを考える場合は、ddimまたはpndmスケジューラを検討すると良いでしょう。

訓練

独自のモデルを訓練したい場合は、公式の訓練例を参照してください。

サンプル

💻 使用例

基本的な使用法

# !pip install diffusers
from diffusers import DDPMPipeline, DDIMPipeline, PNDMPipeline

model_id = "google/ddpm-ema-church-256"

# load model and scheduler
ddpm = DDPMPipeline.from_pretrained(model_id)  # you can replace DDPMPipeline with DDIMPipeline or PNDMPipeline for faster inference

# run pipeline in inference (sample random noise and denoise)
image = ddpm().images[0]

# save image
image.save("ddpm_generated_image.png")

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下でライセンスされています。