Odborné vysvětlení: Difuzní modely jsou generativní modely založené na postupném přidávání šumu k datům a následném učení se tento proces obrátit. Využívají Markovův řetězec pro postupnou degradaci dat a neuronovou síť pro predikci inverzního procesu. Techniky zahrnují Denoising Diffusion Probabilistic Models (DDPM) a Score-based Generative Models. Cílem je vytvořit vysoce kvalitní generativní modely schopné produkovat detailní a rozmanité vzorky.
Vysvětlení pro laiky: Difuzní modely jsou jako učit počítač obnovovat rozmazané fotografie. Představte si, že máte sérii obrázků, kde každý další je více rozmazaný než předchozí. Počítač se učí, jak z nejvíce rozmazaného obrázku postupně vytvořit ostrý, jasný obraz. Tím se naučí, jak vytvářet nové, realistické obrázky od nuly, začínaje od úplného “šumu” a postupně ho přeměňujíc na smysluplný obraz.
Diffusion Models are generative models based on gradually adding noise to data and then learning to reverse this process. They use a Markov chain for progressive data degradation and a neural network to predict the inverse process. Techniques include Denoising Diffusion Probabilistic Models (DDPM) and Score-based Generative Models. The goal is to create high-quality generative models capable of producing detailed and diverse samples.
