背景 和 介绍 最近阅读了 Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise，做了个简短的汇报，写一篇博客记录一下。 目前的diffusion model都是基于高斯噪声在进行扩散，其可被理解为使用Langeviin dynamics在数据范围游走。 对于反向生成而言，就是从一个噪声，一点
Diffusion Models：生成扩散模型 当前的内容是梳理《Transformer视觉系列遨游》系列过程中引申出来的。目前最近在AI作画这个领域 Transformer 火的一塌糊涂，AI画画效果从18年的 DeepDream[1] 噩梦中惊醒过来，开始从2022年 OpenAI 的 DALL·E 2[2] 引来插画效果和联想效果都达到惊人效
disco diffusion是一个Ai作画软件，可在云端运行，如果本机显卡支持的话，也可以部署到本地运行，官方本地部署教程网址如下： https://research.google.com/colaboratory/local-runtimes.html 本机已安装Jupyter，直接从第二步开始，在命令行依次运行： pip install jupyter_http_over_ws jupyte
4月25日（星期一）至4月29日（星期五），International Conference in Learning Representations（ICLR）将连续第三年在线举行。它是世界机器学习研究世界上最大，最受欢迎的会议之一：它包含超过一千篇有关主题的论文，包括ML理论，强化学习（RL），计算机视觉（CV），自然语言处理（NLP），神经科学等。 1、Autoregressi
前言：今天是大年初一，先祝大家新年快乐！本文是《Diffusion models与深度学习》的第九篇文章，通过前面的文章介绍，大家应该已经基本了解扩散模型的特点，细心的读者会有疑问，为什么现在绝大部分的diffusion models都是U-net结构呢？这个发源于医疗分割的网络结构，为何广受备受diffusion mod
由于我做动网格仿真，所以最近在学动网格，主要用smoothing+remeshing方法。但是在使用过程中发现有两个大问题——网格质量越来越差和计算越来越慢。 这两个都是比较常见的问题，为了解决这个问题，彻底弄懂动网格参数设置并选择出最适合我的参数，我今天做了一系列实验，实验参数及结果如下
点云生成：Diffusion Probabilistic Models for 3D Point Cloud Generation 简介论文abstract1.instruction2.Related works3.Diffusion Probabilistic Models for Point Clouds3.1.Formulation3.2.Training Objective3.3.Training Algorithm 4.Model Implementations4.1. Po
图扩散-Diffusion Improves Graph Learning 标签：图神经网络、扩散技术 动机 图卷积的核心就是图神经网络，就是在一跳邻居节点上进行消息传递，这些消息在每个节点聚合，形成下一层的嵌入。虽然神经网络确实利用了更深层的高阶邻域，但将每一层的消息限制在一跳邻居似乎是随意的武断的。
diffusion-convolutional neural networks abstract1.introduction2.model2.1 node classification2.2 graph classification2.3 purely structural DCNNs2.4 learning 3.experiments 发表于NIPS 2016。 abstract 本文提出了针对于图结构数据的模型：diffusion-convolutio
本节所采用命令为trac-all,全部内容在这里：https://surfer.nmr.mgh.harvard.edu/fswiki/trac-all 下面是一步步操作：https://surfer.nmr.mgh.harvard.edu/fswiki/FsTutorial/Tracula 设置工作目录： export SUBJECTS_DIR=$TUTORIAL_DATA/diffusion_recons cd $TUTORIAL_DATA/dif
