> ML_ALGORITHM // DENOISING-DIFFUSION-IMPLICIT-MODELS-DDIM_v1.0

Gürültü Giderici Difüzyon Örtük Modelleri (DDIM)

Örneklemeyi 10-50 kat hızlandıran ve deterministik görüntü tersine çevirmeyi sağlayan difüzyon modelleri için Markovyen olmayan örnekleme formülasyonu.

Diffusion & Score-Based Generative Modelsdeep-generativemoderate-posthoclarge (>100k)

Tüm Algoritmalara Dön

Hesaplama Karmaşıklığı

Eğitim (Training):Same as DDPM

Çıkarım (Inference):O(T_steps * unet_pass) where T_steps in [20, 50]

Donanım Karakteristiği

CPU Uygunluğu:Hayır

GPU Zorunluluğu:Evet

Bellek Ayak İzi:high

Açıklanabilirlik ve Veri

Açıklanabilirlik Düzeyi:moderate-posthoc

Eğitim Verisi İhtiyacı:large (>100k)

Açıklanabilirlik Değerlendirmesi

Deterministik ODE örneklemesi kesin gizil tersine çevirmeyi (gerçek görüntüleri tekrar gürültüye eşleme) mümkün kılar.

Uygun Görevler ve Desteklenen Modaliteler

Uygun Görevler:

image generationimage inversionfast sampling

Desteklenen Modaliteler:

image

Uygulayıcı Kütüphaneler

diffusers

PyTorchLinux Foundation / PyTorch Foundation · v2.4.1

İncele

Temel Literatür & Yayınlar

Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler

Çok fazla adımı atlamak (<15) kırpma kusurlarına ve ince görüntü dokularının kaybına yol açar