Diffusion моделі — основи

Пряма і зворотна дифузія

Поступове додавання шуму до даних і навчання моделі віднімати шум, щоб відновити зразки.

Навчальна мета

Мінімізують помилку прогнозу шуму; варіанти втрат (L2, v-pred), графіки β, параметризації ε/v/x0.

Семплінг

DDPM (повільний, якісний), DDIM (детерміністичний, швидший), ODE/SDE методи (score-based), дистиляція кроків.

Керування

Classifier-/classifier-free guidance, conditioning на текст/мітки/скетчі, ControlNet для додаткових підказок.

Оптимізація інференсу

Менше кроків, квантизація/ONNX/TensorRT, граф-компіляція, LoRA для швидких правок.

Застосування

Зображення, аудіо, 3D, реконструкція, суперрезолюція, інпейнтинг, синтез даних.

Гайд з прикладами

Приклад: DDIM семплінг 20 кроків

Обрати шкалу noise і розклад кроків.

Застосувати classifier-free guidance з w=7.5.

Оптимізувати обчислення через fused attention/FlashAttention.

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Hash Function Avalanche Visualizer і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.