Ddpm Ema Celebahq 256

🚀 去噪擴散概率模型 (DDPM)

去噪擴散概率模型（DDPM）是一類受非平衡熱力學啟發的潛變量模型，能夠實現高質量的圖像合成。該模型在圖像生成領域取得了顯著成果，如在無條件CIFAR10數據集上獲得了出色的Inception分數和FID分數。

🚀 快速開始

推理

DDPM 模型可以使用 離散噪聲調度器 進行推理，例如：

• scheduling_ddpm
• scheduling_ddim
• scheduling_pndm

需要注意的是，ddpm 調度器雖然能生成最高質量的圖像，但推理時間也最長。如果想在質量和推理速度之間取得平衡，可以考慮使用 ddim 或 pndm 調度器。

以下是示例代碼：

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

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

# 加載模型和調度器
ddpm = DDPMPipeline.from_pretrained(model_id)  # 你可以將 DDPMPipeline 替換為 DDIMPipeline 或 PNDMPipeline 以實現更快的推理

# 在推理中運行管道（採樣隨機噪聲並去噪）
image = ddpm().images[0]

# 保存圖像
image.save("ddpm_generated_image.png")

更多詳細信息，請查看 官方推理示例。

訓練

如果你想訓練自己的模型，請查看 官方訓練示例。

💻 使用示例

基礎用法

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

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

# 加載模型和調度器
ddpm = DDPMPipeline.from_pretrained(model_id)  # 你可以將 DDPMPipeline 替換為 DDIMPipeline 或 PNDMPipeline 以實現更快的推理

# 在推理中運行管道（採樣隨機噪聲並去噪）
image = ddpm().images[0]

# 保存圖像
image.save("ddpm_generated_image.png")

📚 詳細文檔

論文信息

• 論文：Denoising Diffusion Probabilistic Models
• 作者：Jonathan Ho, Ajay Jain, Pieter Abbeel
• 摘要：我們使用擴散概率模型展示了高質量的圖像合成結果，這是一類受非平衡熱力學考慮啟發的潛變量模型。我們的最佳結果是通過在一個加權變分界上進行訓練獲得的，該變分界是根據擴散概率模型與帶朗之萬動力學的去噪分數匹配之間的一種新聯繫設計的，並且我們的模型自然地允許一種漸進式有損解壓縮方案，該方案可以被解釋為自迴歸解碼的推廣。在無條件CIFAR10數據集上，我們獲得了9.46的Inception分數和3.17的最先進FID分數。在256x256的LSUN數據集上，我們獲得了與ProgressiveGAN相似的樣本質量。

示例圖像

📄 許可證

本項目採用 Apache-2.0 許可證。