diffusion model tf ddpm
1.0.0
تعد نماذج الانتشار استخدامًا رائعًا للتعلم العميق لمحاكاة التطور التدريجي للبيانات مع مرور الوقت. المفهوم الكامن وراء التوليد باستخدام نموذج الانتشار هو تحويل نقطة البيانات بشكل متكرر من ضوضاء إلى توزيع مستهدف وهو توزيع البيانات الأصلي. يتم تنفيذ هذا التحول من خلال سلسلة من الخطوات المنفصلة. تتضمن مرحلة التدريب الانتشار للأمام والانتشار للخلف.
في عملية الانتشار الأمامي، نضيف تدريجيًا ضوضاء غاوسية إلى البيانات لعدد عشوائي من الخطوات الزمنية 't' ('t' أقل من أو تساوي العدد الإجمالي للخطوات الزمنية المحددة مسبقًا) مما يؤدي إلى صورة مشوشة. في عملية الانتشار العكسي، نبدأ بالصورة المشوشة (مشوشة لخطوات 't' في الانتشار الأمامي) ونقوم بتدريب نموذج UNet، الذي يساعد في خفض مستوى الضوضاء عن طريق التنبؤ بالضوضاء المضافة إلى الصورة الأصلية.
لتوليد صور جديدة، نقوم ببساطة بإجراء النشر العكسي بشكل متكرر. للقيام بذلك، نقوم أولاً بأخذ عينات من الضوضاء من جهاز غاوسي قياسي ونتنبأ بالضوضاء ونزيلها تدريجيًا على مدار عدد محدد مسبقًا من الخطوات الزمنية مما يؤدي إلى إنتاج صورة تشبه توزيع البيانات الأصلي.
