本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。
国产成人精品无码一区二区OpenAI剛剛推出的年末新作GLIDE，又讓擴散模子小火了一把。
這個基于擴散模子的文本圖像生成大模子參數規模更小，但生成的圖像質量卻更高。
于是，依舊是OpenAI出品，論文標題就径直號稱“在圖像生成上打敗GAN”的ADM-G模子也再行進入了大眾眼中：
光看Papers with Code上基于ImageNet數據集的圖像生成模子榜單，從64 x 64到512 x 512分别率都由這一模子占據榜首：
對比曾號稱史上最強圖像生成器的BigGAN-deep也不落下風，以至還能在LSUN和ImageNet 64 × 64的圖像生成后果上達到SOTA。
有網友對此感嘆：前幾年圖像生成領域一直由GAN主導，現在看來，似乎要變成擴散模子了。
加入類別條件的擴散模子
我們先來望望擴散模子的定義。
這是一種新的圖像生成的时事，其名字中的“擴散”本質上是一個迭代過程。
具體到推理中，即是從一幅破坏由噪聲構成的圖像開始， 销魂美女图库通過預測每個步驟濾除的噪聲，迭代去噪赢得一個高質量的樣本，然后再渐渐添加更多的細節。
而OpenAI的這個ADM-G模子，則是在此基礎上向圖像生成任務中加入了類別條件，酿成了一種獨特的消融擴散模子。
磋磨人員分別從以下幾個方面做了改進：
基本架構基于UNet結構做了五點改進：
在保持模子大小不變的前提下，增多深度與寬度 增多刺目頭（Attention Head）數量 在32×32、16×16和8×8的分别率下都使用刺眼光機制 使用BigGAN殘差塊對激活函數進行上采樣和下采樣 將殘差連接（Residual Connections）縮小為原來的1/根號2
類別引導（Classifier Guidance）
在噪聲渐渐轉換到信號的過程中，磋磨人員引入了一個預先訓練好的分類網絡。
它能夠為中間生成圖像預測并赢得一個標簽，被公疯狂玩弄的年轻人妻也即是不错對生成的圖片進行分類。
之后，再基于分類分數和目標類別之間的交叉熵損失計算梯度，用梯度引導下一步的生成采樣。
縮放分類梯度（Scaling Classifier Gradients）按超參數縮放分類網絡梯度，以此來舍弃生成圖像的多樣性和精度。
比如像這樣，左邊是1.0規模大小的分類網絡，右邊是10.0大小的分類網絡，不错看到，右邊的生成圖像明顯類別愈加一致：
也即是說，分類網絡梯度越高，類別就越一致，精度也越高，而同時多樣性也會變小。
生成領域的新熱點当今，這一模子在GitHub上已有近千標星：
而與GAN比起來，擴散模子生成的圖像還更多樣、更復雜。
基于同樣的訓練數據集時，擴散模子不错生成擁有全景、局部特寫、不同角度的圖像：
△左：BigGAN-deep 右：ADM
其實，自2020年谷歌發表DDPM后，擴散模子就逐漸成為了生成領域的一個新熱點，
除了著作中提到的OpenAI的兩篇論文除外，還有Semantic Guidence Diffusion、Classifier-Free Diffusion Guidence等多個基于擴散模子設計的生成模子。
擴散模子接下來還會在視覺任務上有哪些新的應用呢，我們來年再看。
論文鏈接： https://arxiv.org/abs/2105.05233
開源鏈接： https://github.com/openai/guided-diffusion
