การเปรียบเทียบแบบจำลอง Diffusion-Based vs Generative Models สำหรับการผลิตภาพ: 一个ประเมิน

การผลิตภาพได้กลายเป็นปัจจัยสำคัญของความสามารถของ AI และ Machine Learning (ML) การขาดต้องการจากภาพที่สมจริงและคุณภาพสูง ทำให้นักวิจัยและพัฒนาไปแสวงหาวิธีการใหม่ๆ เพื่อปรับปรุงแบบจำลองผลิตภาพ สองวิธีที่นิยมที่สุดคือแบบจำลอง Diffusion และแบบจำลองเชิงสร้างสรรค์

แบบจำลอง Diffusion เช่น Denoising Diffusion Models (DDMs) ได้รับความสนใจมากในปีหลังหลายปี เหล่านี้ทำงานโดยการปรับปรุงช้าๆ ของภาพเข้าไปผ่านชุดวงจรของการแปลงจนได้ภาพที่สมจริงและละเอียดของสุดท้ายแบบจำลองเชิงสร้างสรรค์ ใช้ความน่าจะเป็นโดยรวมในการสร้างภาพใหม่ตามชุดข้อมูลที่กำหนด

แบบจำลอง Diffusion-Based ทำงานอย่างไร

แบบจำลอง Diffusion-Based ทำงานโดยการปรับปรุงช้าๆ ของภาพเข้าไปผ่านชุดวงจรของการแปลงซึ่งจะทำให้ภาพที่สมจริงมากขึ้น การทำงานของแบบจำลอง Diffusion-Based มีวิธีการเป็น 3 ขั้นตอน

ขั้นตอนที่ 1: การเพิ่มเสียงรบกวน - เสียงรบกวนจะเพิ่มเข้าไปในภาพ

ขั้นตอนที่ 2: กระบวนการเป้าหมาย - ภาพรบกวนแล้วจะผ่านไปผ่านชุดวงจรของการแปลงเพื่อปรับปรุงภาพ

ขั้นตอนที่ 3: การใช้กระบวนการย้อนกลับ - ผลลัพธ์ของกระบวนการเป้าหมายจะย้อนกลับเพื่อผลิตภาพสุดท้าย