Ddpm Bedroom 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手法で、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す。

🚀 クイックスタート

ノイジング拡散確率モデル（DDPM）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クラスで、高品質な画像合成結果を提供します。このモデルは、特定の変分バウンドを用いて訓練され、自然に漸進的な損失圧縮スキームをサポートします。

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クラス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ジュバン動力学を用いたノイジング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、自己回帰デコード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許容します。無条件のCIFAR10データセットでは、9.46のInceptionスコアと3.17の最先端のFIDスコアを達成しました。256x256のLSUNでは、ProgressiveGANに匹敵するサンプル品質を得ています。

💻 使用例

基本的な使用法

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

model_id = "google/ddpm-bedroom-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")

高度な使用法

# より詳細な情報については、公式の推論例を参照してください
# 公式の推論例: https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/diffusers_intro.ipynb

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

ただし、ddpm スケジューラは最も高品質な結果をもたらしますが、実行時間も最も長くなります。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

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で公開されています。