擴散模型
含有「擴散模型」共 7 篇內容
全部內容
發佈日期由新至舊
人的聲音雖然會隨著情緒、年齡與情境而改變，但在整體上仍然具有足夠穩定的個體性，因此可以作為身份的判準。語音複製技術之所以格外引人關注，正在於它動搖了這個假設：假使機器能夠生成一段「足以被誤認為某人」的語音，那麼聲音便不再是天然可靠的身份憑據，而成為可以被建模、被遷移、被再生產的統計結構。
自回歸模型擅長順序展開，VAE 擅長建立可操控的潛在空間，GAN 擅長逼近感知真實度，flow 擅長在採樣與密度估計之間取得精確平衡，擴散模型擅長把複雜生成問題拆成穩定的小步驟，而 token 模型則擅長把聲音重新帶入大型序列模型的方法論之中。這些框架像是可以互補、可以組合、也可以彼此嵌套的工具箱。
綠豆湯不只是食譜，更是一個動態系統：浸泡決定吸水均勻度，加熱控制能量輸入，裂解釋放澱粉與色素，濃度則呈現湯色變化。最佳狀態是湯色鮮綠或濃綠，豆仁柔軟不碎，營養物質已充分釋放。煮太久或放置過久會因氧化而變暗或偏紅，加入檸檬能延緩顏色劣化。
現實世界中的聲音，先被數位化成可計算的資料，再被轉換為適合模型處理的表示形式，例如token或其他壓縮編碼；接著，模型在潛在空間中學會不同聲音特徵之間的關係，並透過機率機制，例如自回歸預測或擴散模型去噪，生成新的聲音結果。這整個過程的核心不是「複製現實」，而是「在模式中重新構成可能的現實」。
本篇以武俠情境解析生成式 AI 核心架構，介紹生成模型、GAN、VAE 與 Diffusion 等影像生成技術，並說明自回歸語言模型、遮罩語言模型與多模態模型在圖文生成任務中的應用。透過造物陣法譜系，協助理解條件生成與潛在擴散模型的運作原理，建立生成式 AI 模型基礎概念。
這篇文章整理了Introduction to Image Generation課程的重點筆記，介紹圖像生成模型的類型、擴散模型的原理、運作方式和訓練方法。課程涵蓋變分自動編碼器、生成對抗網路、自迴歸模型和擴散模型等，深入淺出地解釋擴散模型的正向和反向擴散過程，以及如何利用雜訊的加入和去除來生成圖像。
本篇基於2023/06/11，Leonardo.Ai官方DC中文區的MasterClass大師課實況精華影片的內容來整理，目標對象是使用過AI繪圖工具，但對其底層邏輯沒有概念的朋友。用盡量簡單的方式來講述，深淺結合幫助你在使用上能獲得更高的掌控度。
並逐一介紹在Leo上設置參數與使用功能的技巧。
