Глоссарий ИИ
Полный словарь искусственного интеллекта
Modèles de Diffusion
Architecture générative qui utilise un processus progressif d'ajout et de retrait de bruit pour transformer les données en bruit pur puis reconstruire des échantillons réalistes. Ces modèles excellent dans la génération d'images de haute qualité avec une stabilité d'entraînement supérieure aux GANs.
Processus de Diffusion Avant
Phase d'entraînement où le bruit gaussien est progressivement ajouté aux données originales sur plusieurs pas temporels pour atteindre une distribution de bruit pur. Ce processus Markovien est conçu pour être réversible et prédictible mathématiquement.
Processus de Diffusion Inverse
Phase de génération où un réseau neuronal apprend à débruiter progressivement une distribution de bruit pur pour reconstruire des données cohérentes. Ce processus est guidé par l'estimation du gradient de score de la distribution de données.
DDPM (Denoising Diffusion Probabilistic Models)
Classe fondamentale de modèles de diffusion introduite par Ho et al. en 2020, utilisant un schedule de variance linéaire et un objectif de prédiction du bruit. DDPM établit les bases mathématiques pour les architectures de diffusion modernes.
Noise Schedule
Paramétrage temporel contrôlant la quantité de bruit ajoutée à chaque étape du processus de diffusion avant. Un schedule bien conçu optimise l'équilibre entre la préservation de l'information et l'efficacité du débruitage.
Guidance Classifier-Free
Technique de contrôle de génération qui combine des prédictions conditionnelles et non-conditionnelles pour améliorer la fidélité au texte sans nécessiter de classifieur externe. Cette méthode permet un contrôle fin de la génération tout en préservant la diversité.
Latent Diffusion Models
Architecture optimisant les modèles de diffusion en travaillant dans un espace latent compressé plutôt que directement sur l'espace pixel. Cette approche réduit drastiquement les coûts computationnels tout en maintenant une qualité de génération élevée.
Échantillonnage Ancestral
Méthode d'échantillonnage stochastique qui combine débruitage déterministe et ajout contrôlé de bruit pour améliorer la diversité des échantillons générés. Cette technique équilibre qualité et créativité dans la génération.
Шаги диффузии
Дискретное количество этапов, используемых в процессе диффузии, обычно от 100 до 1000 шагов для оптимального баланса между качеством и производительностью. Выбор шагов напрямую влияет на детализацию генерируемых изображений.
U-Net для шумоподавления
Нейронная архитектура с остаточными связями и механизмом внимания, специально разработанная для предсказания и удаления шума на каждом этапе диффузии. Структура U-Net эффективно сохраняет пространственную информацию, улавливая при этом глобальные зависимости.
Стохастические дифференциальные уравнения
Непрерывная математическая формулировка, объединяющая прямой и обратный процессы диффузии в строгой теоретической основе. Этот подход позволяет проводить теоретический анализ и разрабатывать новые алгоритмы сэмплирования.
Условная диффузия
Расширение моделей диффузии, интегрирующее внешние условия, такие как текст, изображения или классы, для управления генерацией. Этот подход обеспечивает точный контроль над характеристиками генерируемых образцов.
Масштаб руководства (Guidance Scale)
Параметр, контролирующий влияние условий на процесс генерации, позволяющий настраивать компромисс между точностью и креативностью. Высокий масштаб усиливает следование инструкциям, в то время как низкий способствует разнообразию.
Прогрессивное передискретизация
Техника итеративного улучшения, применяющая несколько циклов шумоподавления для уточнения деталей и исправления артефактов. Этот метод оптимизирует итоговое качество генераций за счет увеличенного времени вычислений.
Сквозное перекрестное внимание
Механизм внимания, позволяющий моделям диффузии эффективно объединять текстовую и визуальную информацию в процессе шумоподавления. Эта архитектура имеет решающее значение для семантической согласованности при генерации изображений по тексту.
DDIM (Denoising Diffusion Implicit Models)
Детерминированный вариант моделей диффузии, позволяющий ускорить сэмплирование с меньшим количеством шагов при сохранении качества. DDIM преобразует стохастический процесс в детерминированное немарковское отображение.