บทความอธิบายหลักการของ Diffusion Models
(andrewkchan.dev)บทความนี้อธิบายภาพรวมของโมเดลการแพร่กระจาย (Diffusion Models) และหลักการทำงานของมัน โมเดลการแพร่กระจายเป็นเทคนิคที่ใช้ในการเรียนรู้การกระจายของข้อมูล และมักถูกนำไปใช้ในการสร้างภาพเป็นหลัก。
โดยพื้นฐานแล้ว โมเดลการแพร่กระจายจะเริ่มจากข้อมูลที่มีสัญญาณรบกวนจำนวนมาก แล้วค่อย ๆ ลบสัญญาณรบกวนออกทีละน้อยเพื่อสร้างข้อมูลขึ้นมา กระบวนการนี้ประกอบด้วยสองขั้นตอน: กระบวนการแพร่กระจายไปข้างหน้า และกระบวนการแพร่ย้อนกลับ ในกระบวนการแพร่กระจายไปข้างหน้า ข้อมูลจะค่อย ๆ ถูกแปลงให้อยู่ในสภาพที่มีสัญญาณรบกวนมากขึ้น และในกระบวนการแพร่ย้อนกลับ สัญญาณรบกวนนี้จะถูกค่อย ๆ กำจัดออกเพื่อกู้คืนกลับไปเป็นข้อมูลต้นฉบับ
การฝึกของโมเดลนี้ดำเนินไปในทิศทางของการลดความแตกต่างระหว่างข้อมูลที่กำหนดกับข้อมูลที่ผสมสัญญาณรบกวนให้เหลือน้อยที่สุด ซึ่งทำให้โมเดลสามารถสร้างข้อมูลที่สมจริงได้มากขึ้นเรื่อย ๆ โมเดลการแพร่กระจายเหล่านี้แสดงประสิทธิภาพที่ทรงพลังอย่างยิ่งโดยเฉพาะกับชุดข้อมูลขนาดใหญ่ และได้กลายเป็นเทคโนโลยีสำคัญในแวดวงโมเดลเชิงกำเนิดควบคู่ไปกับ GAN (Generative Adversarial Networks)
ยังไม่มีความคิดเห็น