Ddpm Ema Cat 256

🚀 去噪扩散概率模型 (DDPM)

去噪扩散概率模型（DDPM）是一类受非平衡热力学启发的潜在变量模型，能够实现高质量的图像合成。该模型在图像生成领域取得了显著成果，在多个数据集上展现出优秀的性能。

🚀 快速开始

推理

DDPM 模型可以使用离散噪声调度器进行推理，例如：

• scheduling_ddpm
• scheduling_ddim
• scheduling_pndm

需要注意的是，ddpm 调度器虽然能生成最高质量的图像，但推理时间也最长。如果想在质量和推理速度之间取得良好的平衡，可以考虑使用 ddim 或 pndm 调度器。

以下是示例代码：

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

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

# 加载模型和调度器
ddpm = DDPMPipeline.from_pretrained(model_id)  # 你可以将 DDPMPipeline 替换为 DDIMPipeline 或 PNDMPipeline 以实现更快的推理

# 在推理中运行管道（采样随机噪声并去噪）
image = ddpm().images[0]

# 保存图像
image.save("ddpm_generated_image.png")

更多详细信息，请查看 官方推理示例。

训练

如果你想训练自己的模型，请查看 官方训练示例。

💻 使用示例

基础用法

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

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

# 加载模型和调度器
ddpm = DDPMPipeline.from_pretrained(model_id)  # 你可以将 DDPMPipeline 替换为 DDIMPipeline 或 PNDMPipeline 以实现更快的推理

# 在推理中运行管道（采样随机噪声并去噪）
image = ddpm().images[0]

# 保存图像
image.save("ddpm_generated_image.png")

高级用法

# 可根据实际需求，在基础用法上进行更复杂的参数调整或模型组合等操作，以满足特定的图像生成需求。
# 例如，调整噪声调度器的参数等。

📚 详细文档

论文信息

• 论文：Denoising Diffusion Probabilistic Models
• 作者：Jonathan Ho, Ajay Jain, Pieter Abbeel

摘要

我们使用扩散概率模型展示了高质量的图像合成结果，这是一类受非平衡热力学启发的潜在变量模型。我们的最佳结果是通过在一个加权变分边界上进行训练得到的，该边界是根据扩散概率模型与使用朗之万动力学的去噪分数匹配之间的一种新联系而设计的，并且我们的模型自然地允许一种渐进有损解压缩方案，该方案可以被解释为自回归解码的推广。在无条件的 CIFAR10 数据集上，我们获得了 9.46 的 Inception 分数和 3.17 的最新 FID 分数。在 256x256 的 LSUN 数据集上，我们获得了与 ProgressiveGAN 相似的样本质量。

📦 模型示例

📄 许可证

本项目采用 Apache-2.0 许可证。