大红大紫的Diffusion，真的比GAN强吗？

从原理图可以看出，输入的文本首先经过编码，再由一个文字转图像的扩散模型转化为64*64的小图，从而利用超分辨率扩散模型对小图进行处理，在进一步的迭代过程中提升图像的分辨率，得到最后的生成结果——一张1024*1024的最终图像。

扫码领diffusion值得一读论文

+扩散模型大咖公开课

Diffusion model 借助图像分割领域的UNet，训练loss稳定，数据足够，模型效果非常好。相比于GAN需要和判别器对抗训练或者VAE需要变分后验，Diffusion model的loss真的是太简单了。Diffusion model只需要“模仿”一个非常简单的前向过程对应的逆过程即可。这样简单高效的训练也使得Diffusion model在许多任务中的表现都非常好，甚至超过了GAN。

整体上来看，Diffusion model领域正处于一个百花齐放的状态，这个领域有一点像GAN刚提出来的时候，但目前的训练技术让Diffusion model直接跨越了GAN领域调模型的阶段，而是直接可以用来做下游任务。这个领域有一些核心的理论问题还需要研究，这就给科研从业者提供个很有价值的研究内容，有很多idea都可以被激发出来，同时由于这个模型已经很work了，它和下游任务的结合也才刚刚起步，有很多地方都可以赶紧占坑。而未来随着Diffusion model中存在的问题的解决，Diffusion model将逐渐占据深度生成模型的主导。

最近在和一位毕业于清华大学的顶会论文大佬聊天的过程中，被他的背景惊到了，这位大神，目前已经发了二十多篇顶会论文！（绝对算是顶会论文收割机级别了）除了是CVPR、ECCV、ICCV、AAAI、ACM、MM、IJCV等顶级会议和期刊审稿人之外，他还是阿里资深研究科学家，这些描述每一个都不简单~

我们也邀请了这位顶会论文大佬，来和大家聊一聊扩散模型原理及其在跨模态合成应用，来看看大佬是怎么理解目前大火的扩散模型的～

扫码免费领取顶会大佬直播课

限前一百名粉丝

文末领福利

要高效做科研，掌握方法、合理利用自身可用资源很关键！结合身边学弟学妹以及自己的科研成长经历，发现大家普遍缺乏系统的科研知识体系，很难写出一篇合格的文章。更别提发现好的创新点和idea了！

做科研发论文从结果上，其实可以分为以下三类：

1. 发现一个新方法，并将其运用在一个已知的问题之上（老问题新方法）

2. 发现一个新问题，并将一个已知的研究拓展到这个问题之上（新问题老方法）

3. 发现一个新问题，并且提出一个新方法用以对其进行分析研究（新问题新方法）

以难以程度来考量的话，新问题老方法＜老问题新方法＜新问题新方法。

所以，大家都头疼的创新点和idea，其实也有方法论，掌握了之后，就会比较容易找到一个idea～

想“idea”，有两宝——模型+算法

模型，可以理解成System model中的部分，可以是现有问题模型的拓展延伸，其实，这就叫创新，只要你做的是别人还没研究或者研究很少的，就已经可以算创新了。

当你提出了一个模型，就要选择一个合适的算法来解决模型中的问题。可以是寻找合适的算法根据自己的场景合理地进行改进，就已经是一个不错的想法了。

扫码免费预约顶会大佬直播课

限前一百名粉丝

文末领福利