Ddpm Cifar10 32

🚀 去噪擴散概率模型 (DDPM)

DDPM 是一種基於去噪擴散概率模型的圖像生成技術，通過擴散過程逐步添加噪聲，再通過去噪過程從噪聲中恢復出圖像，能夠生成高質量的圖像。

🚀 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，雖然 ddpm 調度器能產生最高質量的圖像，但所需時間也最長。若想在質量和推理速度之間取得良好平衡，可考慮使用 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-cifar10-32"

# 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")

如需更詳細的信息，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-cifar10-32"

# 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。在無條件的 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。

模型示例

📄 許可證

本項目採用 Apache-2.0 許可證。