[DLD 2022] Denoising Diffusion Implicit Models

[@JaechulLee-u2k]

와 이 영상은 진짜 명강의네요. 이해의 마지막 한 발짝을 딱 얻은 것 같아요 감사합니다.

[@2an1k0]

명강의 감사합니다. 디퓨전 헷갈리는게 많았는데 덕분에 갈피를 잡았습니다. 잘 들었습니다!

[@ksjksjgg]

좋은내용 감사합니다. 큰 개념을 이해하기 쉬웠습니다. 다음에 더 자세하게 설명들을 기회가 있으면 좋겠습니다.

[@LeeMyeongjae]

DDIM 잘 들었습니다!

[@이석호-d6y]

좋은 강의 감사드립니다. 도움이 많이 되었습니다. 특히 DDIM의 학습과 테스트 방식을 그림으로 그려주셔서 머리속에 잘 들어온 것 같습니다. 2가지 질문이 있습니다. 1. 26:00에서 DDPM설명을 하실 때 x_0를 predict하도록 하였다고 하셨는데, 제가 알기로 x_0를 predict하는 방식은 DDIM의 방식이고, DDPM에서는 x_0와 x_t의 차이가 되는 전체 노이즈 epsilon을 predict하고 x_t에서 그 노이즈를 조금만 빼서 x_{t-1}을 구하는 방식으로 움직이는 것으로 알고 있는데 제가 생각하는 것이 맞는지 확인을 부탁드립니다. 2. 55:09의 슬라이드에서 x_{t-1}을 만드는 식에서 alpha_{t-1} 대신 alpha_t를 잘못 쓰신 것이 맞는지요?

[@ste-c5h]

귀한 시간 내주셔서 시청해주셔서 감사합니다. 1. DDPM, DDIM 모두 backbone model에서는 x_0 또는 epsilon을 predict합니다. (주로 epsilon) x_t에서 x_0를 구하는 것이 주목적이고, 24:40에서 설명하는 것과 같이 x_t와 epsilon으로 x_0를 구할 수 있습니다. 2. 네 alpha_{t-1}가 맞습니다 :) 중요한 실수 지적해주셔서 감사합니다^^

[@이석호-d6y]

@@ste-c5h 질문을 읽어주시고 답변을 주셔서 감사드립니다^^

[@The_One_Who_Moves_the_Stars]

코드 크기 좀 올려주지 ㅠ.ㅠ