Ddpm Cifar10 32

🚀 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。このモデル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READMEでは、ノイジング拡散確率モデル (DDPM) について説明します。DDPMは、拡散確率モデルを用いた画像合成に関する研究です。

論文情報

• 論文：Denoising Diffusion Probabilistic Models
• 著者：Jonathan Ho, Ajay Jain, Pieter Abbeel
• 概要：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。このモデル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。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で訓練することで得られます。また、このモデルは自然に漸進的な損失圧縮スキームを許容し、これは自己回帰デコードの一般化と解釈できます。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。

💻 使用例

基本的な使用法

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

model_id = "google/ddpm-cifar10-32"

# 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、公式の推論サンプルを参照してください。
# For more in-detail information, please have a look at the [official inference example](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、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する場合は、公式の訓練サンプル 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。