当前位置: 扩散器 >> 扩散器资源 >> 用扩散模型生成高保真度图像
公布人:GoogleResearchBrain团队协商员JonathanHo和软件工程师ChitwanSaharia
果然图象合成是界限很广的一类机械进修(ML)职责,碰面对种种范例的运用所带来的很多计划挑战。此中之一即是图象超分辩率,即锻炼一个模子来将低分辩率的图象,更动为细节丰饶的高分辩率图象(譬喻RAISR)。超分辩率的运用有很多,从恢怀旧旧的家属画像,到革新调理成像系统(Super-resolutionimaging),均有观赏。另一个相似的图象合成职责是类前提下的图象生成,即锻炼一个模子,并遵循输入的种别标签生成模范图象。最后生成的模范图象可用于升高图象分类、分裂等下游模子的机能。譬喻,GAN每每遭到不波动的锻炼和形式崩溃的影响,而自回归模子每每遭到合成速率慢的影响。
RAISR