এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ডিফিউশন মডেল
একটি জেনারেটিভ আর্কিটেকচার যা ডেটাকে বিশুদ্ধ শব্দে রূপান্তর করতে এবং তারপর বাস্তবসম্মত নমুনা পুনর্গঠন করতে ধাপে ধাপে শব্দ যোগ ও অপসারণের প্রক্রিয়া ব্যবহার করে। এই মডেলগুলি উচ্চ-মানের ইমেজ জেনারেশনে উৎকর্ষতা অর্জন করে এবং GAN-এর চেয়ে প্রশিক্ষণের স্থিতিশীলতা বেশি।
ফরওয়ার্ড ডিফিউশন প্রসেস
প্রশিক্ষণের পর্যায় যেখানে গাউসিয়ান শব্দ ধাপে ধাপে মূল ডেটায় যোগ করা হয় একাধিক সময় ধাপে বিশুদ্ধ শব্দ বিতরণে পৌঁছানোর জন্য। এই মার্কভিয়ান প্রক্রিয়াটি গাণিতিকভাবে বিপরীতমুখী এবং পূর্বাভাসযোগ্য হিসেবে ডিজাইন করা হয়েছে।
রিভার্স ডিফিউশন প্রসেস
জেনারেশন পর্যায় যেখানে একটি নিউরাল নেটওয়ার্ক ধাপে ধাপে একটি বিশুদ্ধ শব্দ বিতরণ থেকে শব্দ অপসারণ করে সামঞ্জস্যপূর্ণ ডেটা পুনর্গঠন করতে শেখে। এই প্রক্রিয়াটি ডেটা বিতরণের স্কোর গ্রেডিয়েন্ট অনুমানের মাধ্যমে পরিচালিত হয়।
ডিডিপিএম (ডিনোইজিং ডিফিউশন প্রোবাবিলিস্টিক মডেল)
হো এবং সহকর্মীদের দ্বারা ২০২০ সালে চালু করা ডিফিউশন মডেলের মৌলিক শ্রেণী, যা লিনিয়ার ভ্যারিয়েন্স শিডিউল এবং শব্দ পূর্বাভাসের উদ্দেশ্য ব্যবহার করে। ডিডিপিএম আধুনিক ডিফিউশন আর্কিটেকচারের জন্য গাণিতিক ভিত্তি স্থাপন করে।
নয়েজ শিডিউল
সময়গত প্যারামিটারাইজেশন যা ফরওয়ার্ড ডিফিউশন প্রসেসের প্রতিটি ধাপে যোগ করা শব্দের পরিমাণ নিয়ন্ত্রণ করে। একটি ভালভাবে ডিজাইন করা শিডিউল তথ্য সংরক্ষণ এবং ডিনোইজিং দক্ষতার মধ্যে ভারসাম্য অপ্টিমাইজ করে।
ক্লাসিফায়ার-ফ্রি গাইডেন্স
জেনারেশন কন্ট্রোল কৌশল যা শর্তযুক্ত এবং শর্তবিহীন পূর্বাভাসগুলিকে একত্রিত করে বাহ্যিক শ্রেণীবদ্ধকারীর প্রয়োজন ছাড়াই টেক্সট ফাইডেলিটি উন্নত করে। এই পদ্ধতিটি বৈচিত্র্য বজায় রাখার সময় জেনারেশনের সূক্ষ্ম নিয়ন্ত্রণ ermöglicht।
লেটেন্ট ডিফিউশন মডেল
পিক্সেল স্পেসে সরাসরি কাজ করার পরিবর্তে একটি সংকুচিত লেটেন্ট স্পেসে কাজ করে ডিফিউশন মডেলগুলিকে অপ্টিমাইজ করার আর্কিটেকচার। এই পদ্ধতিটি গণনামূলক খরচ ব্যাপকভাবে হ্রাস করে এবং উচ্চ জেনারেশন মান বজায় রাখে।
এনসেস্ট্রাল স্যাম্পলিং
স্টোকাস্টিক স্যাম্পলিং পদ্ধতি যা নির্ধারিত ডিনোইজিং এবং নিয়ন্ত্রিত শব্দ যোগকে একত্রিত করে জেনারেটেড নমুনার বৈচিত্র্য উন্নত করে। এই কৌশলটি জেনারেশনে গুণমান এবং সৃজনশীলতার মধ্যে ভারসাম্য বজায় রাখে।
ডিফিউশন টাইমস্টেপস
ডিফিউশন প্রক্রিয়ায় ব্যবহৃত বিচ্ছিন্ন ধাপের সংখ্যা, সাধারণত ১০০ থেকে ১০০০ ধাপের মধ্যে সর্বোত্তম গুণমান-কার্যকারিতার ভারসাম্য বজায় রাখে। টাইমস্টেপস নির্বাচন সরাসরি উৎপন্ন বিবরণের সূক্ষ্মতাকে প্রভাবিত করে।
ডিনয়েজিং ইউ-নেট
অবশিষ্ট সংযোগ এবং অ্যাটেনশন সহ স্নায়বিক স্থাপত্য, বিশেষভাবে ডিজাইন করা হয়েছে ডিফিউশনের প্রতিটি ধাপে শব্দ ভবিষ্যদ্বাণী এবং অপসারণের জন্য। ইউ-নেট কাঠামো স্থানিক তথ্য কার্যকরভাবে সংরক্ষণ করে যখন গ্লোবাল নির্ভরতা ক্যাপচার করে।
স্টোকাস্টিক ডিফারেনশিয়াল ইকুয়েশনস
একটি কঠোর তাত্ত্বিক কাঠামোর মধ্যে ফরওয়ার্ড এবং ইনভার্স ডিফিউশন প্রক্রিয়াকে একীভূত করে এমন গাণিতিক ধারাবাহিক ফর্মুলেশন। এই পদ্ধতি তাত্ত্বিক বিশ্লেষণ এবং নতুন স্যাম্পলিং অ্যালগরিদমের বিকাশের অনুমতি দেয়।
কন্ডিশনাল ডিফিউশন
টেক্সট, ইমেজ বা ক্লাসের মতো বাহ্যিক শর্তগুলিকে একীভূত করে জেনারেশন গাইড করার জন্য ডিফিউশন মডেলগুলির এক্সটেনশন। এই পদ্ধতি জেনারেটেড নমুনাগুলির বৈশিষ্ট্যগুলির উপর সুনির্দিষ্ট নিয়ন্ত্রণের অনুমতি দেয়।
গাইডেন্স স্কেল
জেনারেশন প্রক্রিয়ায় শর্তগুলির প্রভাব নিয়ন্ত্রণকারী প্যারামিটার, ফাইডেলিটি এবং ক্রিয়েটিভিটির মধ্যে ট্রেড-অফ সামঞ্জস্য করতে সক্ষম। উচ্চ স্কেল নির্দেশাবলীর আনুগত্য শক্তিশালী করে যখন নিম্ন স্কেল বৈচিত্র্যকে সহায়তা করে।
প্রোগ্রেসিভ রিস্যাম্পলিং
বিবরণ পরিমার্জন এবং আর্টিফ্যাক্ট সংশোধনের জন্য একাধিক ডিনয়েজিং চক্র প্রয়োগ করে পুনরাবৃত্তিমূলক উন্নতির কৌশল। এই পদ্ধতি বর্ধিত গণনা সময়ের ব্যয়ে চূড়ান্ত জেনারেশনের গুণমান অপ্টিমাইজ করে।
ক্রস সেলফ-অ্যাটেনশন
ডিনয়েজিংয়ের সময় টেক্সচুয়াল এবং ভিজুয়াল তথ্য কার্যকরভাবে মার্জ করার জন্য ডিফিউশন মডেলগুলিকে সক্ষম করে এমন অ্যাটেনশন মেকানিজম। টেক্সট-টু-ইমেজ জেনারেশনে সেমান্টিক কোহেরেন্সের জন্য এই আর্কিটেকচার অত্যন্ত গুরুত্বপূর্ণ।
ডিডিআইএম (ডিনয়েজিং ডিফিউশন ইমপ্লিসিট মডেলস)
গুণমান সংরক্ষণ করার সময় কম ধাপে ত্বরিত স্যাম্পলিংয়ের অনুমতি দেয় এমন ডিফিউশন মডেলগুলির একটি ডিটারমিনিস্টিক বৈকল্পিক। ডিডিআইএম স্টোকাস্টিক প্রক্রিয়াকে একটি নন-মার্কোভিয়ান ডিটারমিনিস্টিক ম্যাপিংয়ে রূপান্তরিত করে।