"AIGC与NeurIPS 2020中的DDPM模型解析：从扩散过程到公式预警"

"AIGC与扩散模型（Denoising Diffusion Probabiblistic Model）；Denoising Diffusion Probabiblistic Model;Yoghurt.AIGC翌年 来聊聊扩散模型 《Denoising Diffusion Probabiblistic Model》NeurIPS 2020 UC BerkeleyAIGCAI Generated Content⽣成式模型概览DDPM模型图• 前向过程：扩散过程，将真实数据逐步变成噪声• 逆向过程：逆扩散过程，将噪声逐步变成真实数据公式预警预备知识理解扩散过程，你需要了解很多基础知识•:B，C同时发⽣的情况下，A发⽣的概率•:⻉叶斯公式•:均值为 ⽅差为的⾼斯分布表示，概率密度函数p(A|B, C)P(A|B) =P(B|A)P(A)P(B)𝒩(u, σ2)uσ2p(x) =12πσe− 12 ( x − uσ )2前向过程扩散过程：加噪•为原始图像数据，为对原图像进⾏i次加噪（⾼斯噪声）后的结果，当i⾜够⼤时，可以认为噪声淹没了图像，变成纯⾼斯噪声• 等价于•为第i次的扩散率，作为⼀个权值，随着轮次增加逐渐增⼤，可以发现，图像数据和噪声的权值之和不需要为1x0xiz ∼ 𝒩(0,I)xt =1 − βtxt−1 βtzt−1q(xt|xt−1) = 𝒩(xt;1 − ;"可以看出，AIGC通过扩散模型（Denoising Diffusion Probabiblistic Model）的应用，实现了对图像数据的处理和再生。这一模型通过前向过程的扩散过程，将真实数据逐步变成噪声，然后通过逆向过程的逆扩散过程，将噪声逐步变回真实数据，从而实现了对图像数据的去噪和重构。其公式预警预备知识则包括了概率的基本理解、贝叶斯公式以及高斯分布的概率密度函数等内容。对于扩散过程，需要了解多种基础知识，比如在B、C同时发生的情况下，A发生的概率，贝叶斯公式的应用，以及均值为u，方差为σ的高斯分布表示等。在前向过程中，扩散过程通过加噪的方式将原始图像数据逐步淹没在高斯噪声中，最终变成纯高斯噪声。而对应的逆向过程，则是通过一系列的扩散率权值来将噪声逐步变回真实数据。可以看出，AIGC对DDPM模型进行了深入的研究和应用，从根本上实现了图像数据的处理和再生。"