藝術生成 Stable Diffusion與Denoising Diffusion Model(1120) - 機器學習研討

返回課程

發表時間 : 2024-11-16 21:08

觀看次數 : 48

原始資料來自 : https://www.youtube.com/embed/Y_IsJk6TBBI?si=pFKcHBWx_-1XMkqf

討論功能僅開放給課程成員，請先加入課程

最新的回應 ...more

2024-12-11

M11333012 : 1. 架構和核心概念 Stable Diffusion 是基於**擴散模型（Diffusion Models）**的一種生成技術。它使用隨機噪聲逐步還原數據的過程來生成樣本，從而生成高品質的圖像。核心思想：模擬從噪聲中學習數據的分布，通過反向擴散過程逐步生成數據。特點：依賴於馬爾科夫鏈來逐步消除噪聲，生成穩定且細緻的圖像。 GAN（Generative Adversarial Networks） GAN由兩個網絡組成：生成器（Generator）和判別器（Discriminator）。這兩者通過對抗訓練（Adversarial Training）來改進生成結果。核心思想：生成器試圖生成逼真的數據，判別器試圖區分生成數據和真實數據。特點：生成器和判別器互相對抗，直到生成器能生成足以欺騙判別器的樣本。 2. 訓練方式 Stable Diffusion 訓練時需要模擬**前向擴散（添加噪聲）和反向擴散（去噪）**兩個過程。通常需要較長的訓練時間，因為生成過程包含多個步驟。訓練更加穩定，容易控制生成結果的質量。 GAN 訓練過程是生成器和判別器之間的對抗過程。訓練可能不穩定，容易出現模式崩潰（Mode Collapse）或收斂問題。訓練速度通常比Stable Diffusion快，但需要更多調參來保證穩定性。 3. 生成過程 Stable Diffusion 通過一個逐步去噪的過程生成樣本，每一步需要計算，生成較慢。可以很自然地控制生成樣本的細節，例如通過調整噪聲水平或條件輸入。 GAN 通過生成器一次性生成整個樣本，生成速度較快。控制生成結果較困難，尤其是對特定細節進行精確調整。 4. 應用場景 Stable Diffusion 擴散模型更適合生成高解析度、細緻的圖像，例如藝術創作或圖片修復。支持條件生成（例如文本到圖像生成，Text-to-Image），如應用於工具如DALL-E 2和Stable Diffusion。 GAN 更適合生成快速的低解析度圖像或特定領域的樣本（例如人臉生成、風格轉換、圖像超解析）。常用於增強現有數據集或風格化的應用。總結 Stable Diffusion：強調逐步生成，細緻控制，擅長高質量圖像生成。 GAN：通過對抗學習，快速生成樣本，但訓練穩定性不如擴散模型。兩者各有優勢，適用於不同需求和場景。

2024-11-29

M11333001 : Stable Diffusion與GAN的主要區別在於架構和生成方式。 GAN透過生成器和判別器的對抗訓練生成圖像，速度較快，但易出現模式崩潰；而Stable Diffusion則使用逐步去噪的方式生成圖像，穩定性高但速度較慢。

2024-11-20

B11033101 : Stable Diffusion 使用擴散過程生成圖像，訓練穩定，適合文本引導生成；而 GAN 通過對抗性訓練生成圖像，訓練過程較為複雜。

2024-11-20

B11033056 : Stable Diffusion和GAN是兩種不同的生成模型：生成方式：GAN通過生成器和判別器對抗訓練來生成圖像；Stable Diffusion則是通過將圖像轉換為噪聲，然後反向擴散來生成圖像。訓練過程：GAN訓練較為複雜且容易不穩定；Stable Diffusion則訓練較穩定。生成過程：GAN從隨機噪聲生成圖像；Stable Diffusion從噪聲中逐步去噪恢復圖像。質量與多樣性：GAN生成的圖像質量高但有時多樣性差；Stable Diffusion則能生成更清晰且多樣化的圖像。

2024-11-20

M11333006 : Stable Diffusion與GAN的主要區別在於架構和生成方式。 GAN透過生成器和判別器的對抗訓練生成圖像，速度較快，但易出現模式崩潰；而Stable Diffusion則使用逐步去噪的方式生成圖像，穩定性高但速度較慢。

安文

請大致說明Stable Diffusion與GAN的不同之處

2024-11-20 1 樓

顯示先前的回應7 則當中的 3 則

B11033101

Stable Diffusion 使用擴散過程生成圖像，訓練穩定，適合文本引導生成；而 GAN 通過對抗性訓練生成圖像，訓練過程較為複雜。

2024-11-20 6 樓

M11333001

Stable Diffusion與GAN的主要區別在於架構和生成方式。

GAN透過生成器和判別器的對抗訓練生成圖像，速度較快，但易出現模式崩潰；而Stable Diffusion則使用逐步去噪的方式生成圖像，穩定性高但速度較慢。

2024-11-29 7 樓

M11333012

1. 架構和核心概念

Stable Diffusion
是基於**擴散模型（Diffusion Models）**的一種生成技術。它使用隨機噪聲逐步還原數據的過程來生成樣本，從而生成高品質的圖像。

核心思想：模擬從噪聲中學習數據的分布，通過反向擴散過程逐步生成數據。

特點：依賴於馬爾科夫鏈來逐步消除噪聲，生成穩定且細緻的圖像。

GAN（Generative Adversarial Networks）
GAN由兩個網絡組成：生成器（Generator）和判別器（Discriminator）。這兩者通過對抗訓練（Adversarial Training）來改進生成結果。

核心思想：生成器試圖生成逼真的數據，判別器試圖區分生成數據和真實數據。

特點：生成器和判別器互相對抗，直到生成器能生成足以欺騙判別器的樣本。

2. 訓練方式

Stable Diffusion

訓練時需要模擬**前向擴散（添加噪聲）和反向擴散（去噪）**兩個過程。

通常需要較長的訓練時間，因為生成過程包含多個步驟。

訓練更加穩定，容易控制生成結果的質量。

GAN

訓練過程是生成器和判別器之間的對抗過程。

訓練可能不穩定，容易出現模式崩潰（Mode Collapse）或收斂問題。

訓練速度通常比Stable Diffusion快，但需要更多調參來保證穩定性。

3. 生成過程

Stable Diffusion

通過一個逐步去噪的過程生成樣本，每一步需要計算，生成較慢。

可以很自然地控制生成樣本的細節，例如通過調整噪聲水平或條件輸入。

GAN

通過生成器一次性生成整個樣本，生成速度較快。

控制生成結果較困難，尤其是對特定細節進行精確調整。

4. 應用場景

Stable Diffusion

擴散模型更適合生成高解析度、細緻的圖像，例如藝術創作或圖片修復。

支持條件生成（例如文本到圖像生成，Text-to-Image），如應用於工具如DALL-E 2和Stable Diffusion。

GAN

更適合生成快速的低解析度圖像或特定領域的樣本（例如人臉生成、風格轉換、圖像超解析）。

常用於增強現有數據集或風格化的應用。

總結

Stable Diffusion：強調逐步生成，細緻控制，擅長高質量圖像生成。

GAN：通過對抗學習，快速生成樣本，但訓練穩定性不如擴散模型。

兩者各有優勢，適用於不同需求和場景。

2024-12-11 8 樓

筆記功能僅開放給課程成員，請先加入課程