Συγκριτική μελέτη αλγορίθμων διάχυσης για τη γένεση τεχνητών εικόνων

Abstract

Τα diffusion models είναι μια κατηγορία γεννητικών μοντέλων που προσομοιώνουν τη σταδιακή διάχυση θορύβου σε δεδομένα και μαθαίνουν να αντιστρέφουν αυτή τη διαδικασία για τη δημιουργία νέων δεδομένων υψηλής ποιότητας. Η βασική ιδέα τους βασίζεται σε μια διαδικασία δύο σταδίων: στην προοδευτική προσθήκη θορύβου στα δεδομένα εκπαίδευσης (forward process), ώστε να μετατραπούν σε τυχαίο θόρυβο, και στην αναστροφή αυτής της διαδικασίας (reverse process), όπου το μοντέλο εκπαιδεύεται να αφαιρεί σταδιακά τον θόρυβο, παράγοντας δείγματα που μοιάζουν με τα αρχικά δεδομένα. Αυτή η προσέγγιση καθιστά τα diffusion models ιδιαίτερα σταθερά κατά την εκπαίδευση και ικανά να δημιουργούν ρεαλιστικά και ποικιλόμορφα δεδομένα. Έχουν ευρεία εφαρμογή σε τομείς όπως γεννήτριες εικόνων, επεξεργασία ήχου, και επεξεργασία φυσικής γλώσσας, με γνωστά παραδείγματα τα Stable Diffusion και DALL-E.