एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
डिफ्यूजन मॉडल्स
एक प्रजनन आर्किटेक्चर जो शोर जोड़ने और हटाने की एक प्रगतिशील प्रक्रिया का उपयोग करती है, डेटा को शुद्ध शोर में बदलने के लिए और फिर यथार्थवादी नमूने पुनर्निर्मित करने के लिए। ये मॉडल उच्च गुणवत्ता वाली छवियों के निर्माण में GANs की तुलना में उच्च प्रशिक्षण स्थिरता के साथ उत्कृष्ट होते हैं।
फॉरवर्ड डिफ्यूजन प्रक्रिया
एक प्रशिक्षण चरण जहां गॉसियन शोर को मूल डेटा में कई समय चरणों पर धीरे-धीरे जोड़ा जाता है ताकि शुद्ध शोर वितरण प्राप्त हो सके। यह मार्कोव प्रक्रिया गणितीय रूप से उलटने योग्य और पूर्वानुमान योग्य होने के लिए डिज़ाइन की गई है।
रिवर्स डिफ्यूजन प्रक्रिया
एक प्रजनन चरण जहां एक तंत्रिका नेटवर्क सुसंगत डेटा को पुनर्निर्मित करने के लिए शुद्ध शोर वितरण को धीरे-धीरे डी-नॉइज़ करना सीखता है। यह प्रक्रिया डेटा वितरण के स्कोर ग्रेडिएंट के अनुमान द्वारा मार्गदर्शित की जाती है।
DDPM (डी-नॉइज़िंग डिफ्यूजन प्रोबेबिलिस्टिक मॉडल्स)
2020 में Ho एट अल. द्वारा प्रस्तुत मॉडल्स का एक मौलिक वर्ग, जो लीनियर वेरिएंस शेड्यूल और नॉइज़ प्रेडिक्शन उद्देश्य का उपयोग करता है। DDPM आधुनिक डिफ्यूजन आर्किटेक्चर के लिए गणितीय आधार स्थापित करता है।
नॉइज़ शेड्यूल
समय पैरामीटरिंग जो फॉरवर्ड डिफ्यूजन प्रक्रिया के प्रत्येक चरण में जोड़े गए शोर की मात्रा को नियंत्रित करती है। एक अच्छी तरह से डिज़ाइन किया गया शेड्यूल सूचना संरक्षण और डी-नॉइज़िंग दक्षता के बीच संतुलन को अनुकूलित करता है।
क्लासिफायर-फ्री गाइडेंस
एक नियंत्रण तकनीक जो सशर्त और असशर्त पूर्वानुमानों को जोड़ती है, बाहरी क्लासिफायर की आवश्यकता के बिना टेक्स्ट फिडेलिटी में सुधार के लिए। यह विधि विविधता को संरक्षित करते हुए प्रजनन के लिए बारीक नियंत्रण की अनुमति देती है।
लेटेंट डिफ्यूजन मॉडल्स
एक आर्किटेक्चर जो पिक्सेल स्पेस पर सीधे काम करने के बजाय एक कंप्रेस्ड लेटेंट स्पेस में काम करके डिफ्यूजन मॉडल्स को अनुकूलित करती है। यह दृष्टिकोण उच्च प्रजनन गुणवत्ता बनाए रखते हुए कंप्यूटेशनल लागतों को नाटकीय रूप से कम करता है।
एंसेस्ट्रल सैंपलिंग
एक स्टोकास्टिक सैंपलिंग विधि जो निर्धारित डी-नॉइज़िंग और नियंत्रित शोर जोड़ने को जोड़ती है, उत्पन्न नमूनों की विविधता में सुधार के लिए। यह तकनीक प्रजनन में गुणवत्ता और रचनात्मकता को संतुलित करती है।
डिफ्यूजन टाइमस्टेप्स
डिफ्यूजन प्रक्रिया में उपयोग किए गए विविक्त चरणों की संख्या, आमतौर पर इष्टतम गुणवत्ता-प्रदर्शन संतुलन के लिए 100 से 1000 चरणों के बीच। टाइमस्टेप्स का चयन सीधे उत्पन्न किए गए विवरणों की सूक्ष्मता को प्रभावित करता है।
डी-नॉइजिंग यू-नेट
अवशेषी कनेक्शन और अटेंशन के साथ तंत्रिका आर्किटेक्चर, विशेष रूप से डिफ्यूजन के प्रत्येक चरण में शोर की भविष्यवाणी और हटाने के लिए डिज़ाइन किया गया। यू-नेट संरचना वैश्विक निर्भरताओं को कैप्चर करते हुए स्थानिक जानकारी को प्रभावी ढंग से संरक्षित करती है।
स्टोचस्टिक डिफरेंशियल इक्वेशन्स
एक कठोर सैद्धांतिक ढांचे में फॉरवर्ड और रिवर्स डिफ्यूजन प्रक्रियाओं को एकीकृत करने वाला निरंतर गणितीय सूत्रीकरण। यह दृष्टिकोण सैद्धांतिक विश्लेषण और नए सैंपलिंग एल्गोरिदम के विकास की अनुमति देता है।
कंडीशनल डिफ्यूजन
पीढ़ी का मार्गदर्शन करने के लिए टेक्स्ट, इमेज या क्लास जैसी बाहरी शर्तों को एकीकृत करने वाले डिफ्यूजन मॉडल का विस्तार। यह दृष्टिकोण उत्पन्न किए गए नमूनों की विशेषताओं पर सटीक नियंत्रण की अनुमति देता है।
गाइडेंस स्केल
जनरेशन प्रक्रिया पर शर्तों के प्रभाव को नियंत्रित करने वाला पैरामीटर, जो फिडेलिटी और रचनात्मकता के बीच समझौते को समायोजित करने की अनुमति देता है। उच्च स्केल निर्देशों के पालन को मजबूत करता है जबकि कम स्केल विविधता को बढ़ावा देता है।
प्रोग्रेसिव रीसैंपलिंग
विस्तारों को परिष्कृत करने और आर्टिफैक्ट्स को ठीक करने के लिए कई डी-नॉइजिंग चक्रों को लागू करने वाली पुनरावृत्ति सुधार तकनीक। यह विधि बढ़ी हुई कंप्यूटेशनल समय की कीमत पर जनरेशन की अंतिम गुणवत्ता को अनुकूलित करती है।
क्रॉस सेल्फ-अटेंशन
डिफ्यूजन मॉडल को डी-नॉइजिंग के दौरान टेक्स्चुअल और विज़ुअल जानकारी को प्रभावी ढंग से फ्यूज करने की अनुमति देने वाला अटेंशन मैकेनिज्म। यह आर्किटेक्चर टेक्स्ट-टू-इमेज जनरेशन में सिमेंटिक सुसंगतता के लिए महत्वपूर्ण है।
DDIM (डीनॉइजिंग डिफ्यूजन इंप्लिसिट मॉडल्स)
डिफ्यूजन मॉडल का एक निर्धारक संस्करण जो कम चरणों के साथ तेजी से सैंपलिंग की अनुमति देता है और साथ ही गुणवत्ता को बनाए रखता है। DDIM स्टोकास्टिक प्रक्रिया को एक नॉन-मार्कोवियन निर्धारक मैपिंग में बदल देता है।