Denoise Diffusion Probabilistic Models(简称 DDPM)是一类基于扩散过程的生成模型,其核心思想是通过模拟图像或数据的扩散过程,将数据从清晰状态逐渐转化为噪声状态,然后学习如何逆向操作,将噪声恢复回原始数据。这个过程的关键在于使用神经网络来反向去噪,从而生成新的样本。下面我们详细推导一下正向扩散和反向推断的过程。 1...
Coupled Diffusion Probabilistic Model 作者在进行了上面的假设之后,就提出了耦合概率扩散模型,总的来说,这个模型相比于之前diffusion模型在时间序列上的应用的一个很大的创新点在于这个模型不仅给输入序列添加噪声,还给预测的目标时间序列添加噪声,这样就形成了一个coupled的范式,即输入端和输出端同时去噪的模式 公式(5)...