Denoising Diffusion Probabilistic Models

ノイズを除去するステップを何度も繰り返して元画像を復元するやつ

https://arxiv.org/abs/2006.11239

https://gyazo.com/85989a82a3b2b6b120ade5e485e0415c

2020

We present high quality image synthesis results using diffusion probabilistic models, a class of latent variable models inspired by considerations from nonequilibrium thermodynamics.

非平衡統計力学の考察に触発された潜在変数モデルのクラスである拡散確率モデルを用いた高品質な画像合成の結果を発表する

Our best results are obtained by training on a weighted variational bound designed according to a novel connection between diffusion probabilistic models and denoising score matching with Langevin dynamics, and our models naturally admit a progressive lossy decompression scheme that can be interpreted as a generalization of autoregressive decoding.

我々の最良の結果は、拡散確率モデルとランジュバン動力学によるノイズ除去のスコアマッチングとの間の新く提案した接続に従って設計された重み付き変分境界で学習することによって得られ、

我々のモデルは自己回帰復号の一般化として解釈できる漸進的損失伸長方式を自然に認める。

On the unconditional CIFAR10 dataset, we obtain an Inception score of 9.46 and a state-of-the-art FID score of 3.17.

On 256x256 LSUN, we obtain sample quality similar to ProgressiveGAN. Our implementation is available at this https URL

無条件CIFAR10データセットにおいて、Inceptionスコア9.46、FIDスコア3.17を得ることができました。

256x256 LSUNでは、ProgressiveGANと同程度のサンプル品質が得られている

解説

https://speakerdeck.com/nhamanasu/diffusionniyorutext2imagenoxi-pu-tosheng-cheng-hua-xiang-gadong-kichu-sumade?slide=16

素人向けの解説

https://huggingface.co/blog/annotated-diffusion

実装レベルの解説

結局ちゃんと理解できるのは実装