【生成式AI】淺談圖像生成模型 Diffusion Model 原理

[@HungyiLeeNTU]

感謝黃敬峰先生提供字幕

[@minoschen5664]

把 ground truth 寫成"光處"了 XD

[@thebookwormbrigade]

這字幕...不要也罷

[@jialuhan3854]

大卫雕像那个生成我实验了一下，GPT4生成的效果还挺不错的

[@ericchen4970]

今天在桃園聽老師現場的演講和panel discussion，真的非常感謝老師。作為在場唯二的醫學系學生，能在三年前一開始進入AI領域時得到老師的循循善誘，除了感謝還是感謝。

[@wajohn9755]

这是目前我看到的关于这个问题最简洁和明了的说明了,非常棒👍

[@greenjerry2606]

非常high level的解释，如果李宏毅老师能够讲解一下其中的数学原理就很棒了❤❤❤

[@kui-junhuang1900]

感謝教授的無私分享，真是對小白等級的我幫助很大

[@hudsonvan4322]

最精華的部分居然要下集待續 真是迫不及待

[@jojotang8339]

看了一圈李老师讲的是最清晰的，感恩

[@chenqingzhi6845]

非常的学术化，信息含量很大，需要反复看好几遍，感谢用心制作

[@edwardd8515]

米開朗基羅那段讓我想到海綿寶寶裡章魚哥在做雕像的那一集 太生動了，這個比喻🤣

[@aoma-rd9bh]

讲的真好，谢谢老师的辛勤付出，让我茅塞顿开

[@xaviertsai4063]

才在想denoise是不是減法製造的概念時，下一張就蹦出雕刻的說明。真是太神啦。

[@喝乌昂]

感谢李老师，拯救我下午的组会

[@llyy7386]

非常简明易懂！感谢你的解说！

[@chuxianmo1593]

非常清晰易懂的讲解, thanks!

[@liuli0108]

感謝老師講解~淺顯易懂 受益良多

[@tommasyu5136]

被我刷到了 老师好！😍😍

[@716Lufei]

感谢，讲解的非常厉害！

[@goldaa4093]

李宏毅老师讲的太棒了，通俗易懂

[@许英杰-n6r]

通俗易懂，点赞点赞！

[@xiachongfeng8449]

这个 “啥都有” 太亲切了！

[@yumenoqiao]

谢谢老师，讲的太好了❤

[@victornanka]

👍讲的十分简练，学习了

[@David-us2ud]

马上就要考研复试了，希望考到相关问题能回答的上来😂

[@石虎-q4c]

用過 diffusion model 老覺得為什麼手指都畫不好，看了老師的影片終於懂為什麼了

[@袁一博]

老师太强了！

[@EricCartman9003]

米开朗琪罗这个例子让我醍醐灌顶

[@胡雅伦-i2p]

请问forward process一直在图像上加噪声，那多个steps之后，noisy image的像素数值会不会很大啊？

[@hungyen1220]

老師好，我是Fion, 是你的觀眾， 非常受益老師的內容。我有email到你的ntu信箱，想邀請來教學。再麻煩查收，感謝。

[@TorontoWangii]

太有趣了！

[@senx8758]

感觉有点像masked language model， 加noise就像mask token。

[@dysh-tyc-edu-tw]

我有想過，是不是能有一個編碼器專門對圖片進行簡化壓縮的預處理， 可以簡化輸入模型的數量，訓練的複雜度自然減少很多， 然後再透過解碼器把模型的輸出結束轉化成圖

[@crisptian967]

这个想法已经有人做过啦，Latent Diffusion Model，论文名是High-Resolution Image Synthesis with Latent Diffusion Models

[@incendioraven4269]

这个denoise模型感觉和resnet有点像，预测的是残差residual，而不是直接预测denoised的结果

[@陳婉容-n4s]

請問一下，一開始的input圖片是從Gaussian noise來的，雜訊下一定會有個清晰的圖片嗎？

[@brandwu8677]

居然可以講得如此淺顯易懂

[@lizhao681]

哈哈 我居然听到了 台湾老师的讲课

[@hello-rh2mv]

光truth🙃

[@zns5741]

模型学习noise predicter而不是直接学习denoise的模型，这里的思想是不是和残差网络差不多

[@ruanjiayang]

机器学习里面就是很奇怪，明明没有很严谨的数学理论支撑，但它就是work！

[@kakashi-md2st]

有的，只是对于“人”来说难于理解

[@larry0231]

老師您好，請問你有關 9:28 的noise predictor 的問題， 依照老師的圖示，noise predictor 應該要預測 step1 所加的noise，而不是step2 所加的noise。

[@michaelsu4253]

老师，我有个疑问，如果noise predictor都是用自己sample的noise作为groud truth来训练的话，如何避免overfit呢？noise predictor不会直接把groudtruth给吃掉吗？

[@蓝狐]

讲得好棒！但是有一个听不懂的地方，视频 8:15 到 9:00 左右，那个加入的 noise 杂讯，是一样的吗？还是每次随机正态分布得到的？ 如果每次杂讯一样，为何最后可以成为 ground truth？感觉会重复覆盖在图片上，而不是像视频演示的那样，使得图片越来越杂乱 小白不是很懂这个Gaussian distribution（normal distribution）怎么 sample 出来的，请教大佬 好吧，通宵学习，我在后面的视频自己找到答案了，kzbin.info/www/bejne/n5emdYt8mcqUl68 3分38处解读算法的时候有讲解

[@蓝狐]

前面一集讲解图像生成模型分类的时候，也有讲这个话题，看来学知识真的得从头到尾，不能遗漏 XD

[@leetcode8843]

上一集說是先把圖add Noise再用denoise output 原本的圖，那這邊是說直接在Gaussian distribution裡拿一個，所以是理解為，在training時是用圖add Noise，traing 好的model再直接用Gaussian denoise output image?

[@billyharrinton4885]

是阿

[@ime-e-e]

好難得有中文的講解 講解的好清楚!!!

[@patrickruan2290]

老師，這個十分鐘的故事很大衛的故事很像 kzbin.info/www/bejne/mKjdpZiumc5mftU