汇总：入门与实战

Posted 2022-02-26 沉迷单车的追风少年

1、Diffusion Models扩散模型与深度学习(附Python示例)

这篇文章适合小白入门看，能快速了解diffusion models背后的物理背景、数学推导、核心思想、代码实现。

2、击败GANs的新生成式模型：score-based model(diffusion model)原理、网络结构、应用、代码、实验、展望

这篇文章适合小白入门，在上一篇文章的基础上，更加深入讨论：

• 会不会是下一个GANs？能否解决目前GANs遇到的问题？
• 和现有的生成式模型相比有哪些优点?哪些缺点？
• 目前的网络结构是怎样？
• 如何用代码实现？
• 常用的数据集有哪些？
• 常用的评价指标有哪些？
• 能应用到哪些领域？
• 遇到了哪些问题？
• 发展的瓶颈有哪些？
• 未来的发展会怎样？

3、为什么Diffusion Models扩散模型可以称为Score-based Models？

近两年diffusion models野蛮生长，出现了很多不同的命名方式：denoising diffusion probabilistic models、score-based generative models、generative diffusion processes、energy-based models (EBMs)等，其实他们核心思想都是一样的，这篇文章通过讨论diffusion models为什么可以称为分数匹配模型，能更深入理解扩散模型。

4、条件DDPM：Diffusion model的第三个巅峰之作

DDPM2020年诞生，短短一年的时间，模型上有两个巨大的改进，其中一个就是condition的引入，最近大部分DDPM相关的论文都会讨论这一点，有些文章称之为latent variable。和当年GAN的发展类似，CGAN和DCGAN的出现极大程度上促进了GAN的发扬光大，意义重大。

5、从VAE到Diffusion Models

前面几篇文章更多的在思考GAN和diffusion model之间的关系，VAE作为最经典的生成模型之一，本文从VAE出发，聊一聊VAE和diffusion model之间的爱恨情仇。

6、DiffuseVAE：完美结合VAE和Diffusion Models

生成式模型的根本任务是捕捉底层的数据分布，并学习以无监督的方式从数据的显式/隐式分布中生成新的样本。本文介绍DDPM最新的研究成果DiffuseVAE，解决低维潜在空间上生成样本质量差、采样速度慢等问题。

7、为什么Diffusion Models钟爱U-net结构？

通过前面的文章介绍，大家应该已经基本了解扩散模型的特点，细心的读者会有疑问，为什么现在绝大部分的diffusion models都是U-net结构呢？这个发源于医疗分割的网络结构，为何广受备受diffusion models生成式的喜爱呢？

8、使用DDPM实现三维点云重建

本文重点讨论点云三维重建的相关原理、应用、特殊的处理方法、与传统的DDPM的区别和联系。