扩散模型Diffusion Models (DM)自过去一段时间以来一直很受欢迎，因为生成图像的质量简直令人惊叹，击败了其他生成模型，例如 GAN、VAE、自回归模型等。但是使用 DM 的瓶颈，即产生样本的采样速度也就是推理时间是值得考虑的。Stability AI 公司处理相同的问题并产生更高质量的图像，提出了潜在扩散模型的想法，该想法在 2022 年 CVPR 会议上被接受，随后预训练的模型权重被公开用于建设性目的。在这篇博文中，我将从架构的角度更多地讨论 LDM，并会提到一些与 DM 的比较。

图像合成的应用范围从医学成像、机器人、传感、数字遗产到工业应用。在过去的十多年里，研究界从不同的角度关注这个问题，并提出了生动的架构或解决问题的风格来生成新颖的图像内容。最新趋势是生成以一些额外信息为条件的图像，例如图像说明、场景描述文本、语义图、参考图像或其他数据表示。

诸如生成对抗网络 (GAN)、变分自动编码器 (VAE)、自回归变换器 (ART)、基于流的方法和扩散模型 (DM)等技术已被广泛提出。每种方法都有其自身的优点和缺点。

像 ART 这样的基于似然的模型：包含数十亿个参数，因此计算成本非常高，并且具有顺序采样过程，因此非常耗时。将它们限制为仅用于低分辨率图像。

GAN：这种训练方法涉及对立，并且可以产生有限的可变性样本（模式崩溃），因为它在建模复杂和多模型分布时会受到影响。它还面临无法收敛（训练不稳定）的挑战。

VAE：它对潜在空间中的观察结果进行概率描述。由于在 VAE 中如何恢复数据分布和计算损失函数，它可能

文章来源

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：