第1 章 AIGC 與相關(guān)技術(shù)
1.1 AIGC 簡介
1.2 擴散模型簡介
第2 章 擴散模型基礎(chǔ)
2.1 去噪擴散概率模型
2.2 基于分?jǐn)?shù)的生成模型
2.3 隨機微分方程
2.4 擴散模型的架構(gòu)
第3 章 擴散模型的高效采樣
3.1 微分方程
3.2 確定性采樣
3.2.1 SDE 求解器
3.2.2 ODE 求解器
3.3 基于學(xué)習(xí)的采樣
3.3.1 離散方式
3.3.2 截斷擴散
3.3.3 知識蒸餾
第4 章 擴散模型的似然最大化
4.1 似然函數(shù)最大化
4.2 加噪策略優(yōu)化
4.3 逆向方差學(xué)習(xí)
4.4 精確的對數(shù)似然估計
第5 章 將擴散模型應(yīng)用于具有特殊結(jié)構(gòu)的數(shù)據(jù)
5.1 離散數(shù)據(jù)
5.2 具有不變性結(jié)構(gòu)的數(shù)據(jù)
5.3 具有流形結(jié)構(gòu)的數(shù)據(jù)
5.3.1 流形已知
5.3.2 流形未知
第6 章 擴散模型與其他生成模型的關(guān)聯(lián)
6.1 變分自編碼器與擴散模型
6.2 生成對抗網(wǎng)絡(luò)與擴散模型
6.3 歸一化流與擴散模型
6.4 自回歸模型與擴散模型
6.5 基于能量的模型與擴散模型
第7 章 擴散模型的應(yīng)用
7.1 無條件擴散模型與條件擴散模型
7.2 計算機視覺
7.2.1 圖像超分辨率、圖像修復(fù)和圖像翻譯
7.2.2 語義分割
7.2.3 視頻生成
7.2.4 點云補全和點云生成
7.2.5 異常檢測
7.3 自然語言處理
7.4 時間數(shù)據(jù)建模
7.4.1 時間序列插補
7.4.2 時間序列預(yù)測
7.5 多模態(tài)學(xué)習(xí)
7.5.1 文本到圖像的生成
7.5.2 文本到音頻的生成
7.5.3 場景圖到圖像的生成
7.5.4 文本到3D 內(nèi)容的生成
7.5.5 文本到人體動作的生成
7.5.6 文本到視頻的生成
7.6 魯棒學(xué)習(xí)
7.7 跨學(xué)科應(yīng)用
7.7.1 人工智能藥物研發(fā)
7.7.2 醫(yī)學(xué)影像
第8 章 擴散模型的未來——GPT 及大模型
8.1 預(yù)訓(xùn)練技術(shù)簡介
8.1.1 生成式預(yù)訓(xùn)練和對比式預(yù)測練
8.1.2 并行訓(xùn)練技術(shù)
8.1.3 微調(diào)技術(shù)
8.2 GPT 及大模型
8.2.1 GPT-1
8.2.2 GPT-2
8.2.3 GPT-3 和大模型
8.2.4 InstructGPT 和ChatGPT
8.2.5 Visual ChatGPT
8.3 基于GPT 及大模型的擴散模型
8.3.1 算法研究
8.3.2 應(yīng)用范式
相關(guān)資料說明