diffusion model tf ddpm
1.0.0
확산 모델은 시간이 지남에 따라 데이터의 점진적인 발전을 시뮬레이션하기 위해 딥 러닝을 활용하는 흥미로운 방법입니다. 확산 모델을 사용한 생성의 기본 개념은 데이터 포인트를 노이즈에서 원래 데이터 분포인 목표 분포로 반복적으로 변환하는 것입니다. 이 변환은 일련의 개별 단계를 통해 수행됩니다. 훈련 단계에는 순방향 확산과 역방향 확산이 포함됩니다.
순방향 확산 과정에서는 임의의 시간 단계 't'('t'가 사전에 결정된 총 시간 단계 수보다 작거나 같음) 동안 데이터에 가우스 잡음을 점진적으로 추가하여 잡음이 있는 영상을 생성합니다. 역확산 프로세스에서는 노이즈가 있는 이미지(순방향 확산에서 't' 단계에 대해 노이즈가 있음)로 시작하고 원본 이미지에 추가된 노이즈를 예측하여 노이즈 수준을 낮추는 데 도움이 되는 UNet 모델을 학습합니다.
새로운 이미지를 생성하기 위해 역확산을 반복적으로 수행하면 됩니다. 이를 위해 먼저 표준 가우스에서 노이즈를 샘플링하고 미리 결정된 시간 단계 수에 걸쳐 점차적으로 노이즈를 예측하고 제거하여 원래 데이터 분포와 유사한 이미지를 생성합니다.
