Ddpm Celebahq 256

🚀 ノイジング拡散確率モデル (DDPM)

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一種であり、高品質な画像合成結果を提供します。このモデルは、特定のデータセットで高い評価指標を達成しています。

🚀 クイックスタート

論文情報

• 論文: Denoising Diffusion Probabilistic Models
• 著者: Jonathan Ho, Ajay Jain, Pieter Abbeel
• 概要: 非平衡熱力学の考え方に触発された潜在変数モデル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力学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モデルを訓練することで得られます。このモデルは、自己回帰復号化の一般化と解釈できる漸進的な損失のあるデコンプレッション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、Inceptionスコア9.46と最先端のFIDスコア3.17を達成しています。256x256のLSUNでは、ProgressiveGANに匹敵するサンプル品質を得ています。

✨ 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

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

コード例

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

model_id = "google/ddpm-celebahq-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()["sample"]

# save image
image[0].save("ddpm_generated_image.png")

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。

サンプル画像

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で提供されています。