Ddpm Ema Cat 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在變量模型，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，在多個數據集上展現出優秀的性能。

🚀 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良好的平衡，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-cat-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-cat-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")

高級用法

# 可根據實際需求，在基礎用法上進行更復雜的參數調整或模型組合等操作，以滿足特定的圖像生成需求。
# 例如，調整噪聲調度器的參數等。

📚 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啟發的潛在變量模型。我們的最佳結果是通過在一個加權變分邊界上進行訓練得到的，該邊界是根據擴散概率模型與使用朗之萬動力學的去噪分數匹配之間的一種新聯繫而設計的，並且我們的模型自然地允許一種漸進有損解壓縮方案，該方案可以被解釋為自迴歸解碼的推廣。在無條件的 CIFAR10 數據集上，我們獲得了 9.46 的 Inception 分數和 3.17 的最新 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。

📦 模型示例

📄 許可證

本項目採用 Apache-2.0 許可證。