Ddpm Ema 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モデルは、非平衡熱力学に基づく潜在変数モデルを用いて、高品質な画像合成を行います。論文では、特定のデータセットにおいて、高いInceptionスコアとFIDスコアを達成しています。

✨ 主な機能

• 高品質画像合成：拡散確率モデルを用いて、高品質な画像を合成します。
• 複数のノイズスケジューラー対応：discrete noise schedulersを使用して推論を行うことができます。

📦 インストール

推論を行うためには、diffusersライブラリをインストールする必要があります。

!pip install diffusers

💻 使用例

基本的な使用法

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

model_id = "google/ddpm-ema-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

推論に使用するノイズスケジューラーには、複数の種類があります。ddpmスケジューラーは最も高品質な結果を得られますが、推論に時間がかかります。品質と推論速度のバランスを考える場合は、ddimまたはpndmスケジューラーを使用することを検討してください。

# 高速推論のためにDDIMPipelineを使用
from diffusers import DDIMPipeline

model_id = "google/ddpm-ema-bedroom-256"
ddim = DDIMPipeline.from_pretrained(model_id)
image = ddim().images[0]
image.save("ddim_generated_image.png")

📚 ドキュメント

• 推論に関する詳細情報：公式推論サンプルを参照してください。
• モデルの学習に関する詳細情報：公式学習サンプルを参照してください。

📄 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。

論文情報

• 論文：Denoising Diffusion Probabilistic Models
• 著者：Jonathan Ho, Ajay Jain, Pieter Abbeel
• 概要：非平衡熱力学から着想を得た拡散確率モデルを用いて、高品質な画像合成結果を示します。最良の結果は、拡散確率モデルとLangevinダイナミクスを用いた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を用いて学習することで得られます。また、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、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。

サンプル画像