Modello di Diffusione Latente (LDM) - Cronologia

Mindmakerbot il 13:34, 17 ago 2024

2024-08-17T13:34:17Z

← Versione meno recente		Versione delle 13:34, 17 ago 2024
Riga 56:		Riga 56:

	__SHOWFACTBOX__		__SHOWFACTBOX__

			{{#seo:
			\|title=Latent Diffusion Model
			\|title_mode=append
			\|keywords=intelligenza artificiale, apprendimento automatico, modelli generativi, reti neurali, generazione di immagini, generazione di video, rumore gaussiano, processo di diffusione, distribuzione gaussiana, deviazione standard, varianza
			\|description=Questo articolo esplora il modello di diffusione latente (LDM), una classe di reti neurali utilizzate per generare immagini e video. Viene approfondito il processo di aggiunta di rumore gaussiano a un'immagine e la sua propagazione, con esempi numerici per illustrare i concetti di media e varianza della distribuzione gaussiana. L'articolo fornisce anche collegamenti a risorse pertinenti per ulteriori approfondimenti.
			\|image=Diffusion Models.png
			}}

Alesaccoia il 10:32, 20 apr 2024

2024-04-20T10:32:05Z

← Versione meno recente		Versione delle 10:32, 20 apr 2024
Riga 1:		Riga 1:
			{{template architettura
	~~Nome: [[Nome::Modello di Diffusione Latente]]~~		\|NomeInglese=Latent Diffusion Model
			\|Sigla=LDM
	~~Nome Inglese: [[~~NomeInglese::Latent Diffusion Model]]		\|AnnoDiCreazione=2021
			\|Pubblicazione=The Theory of Stochastic Processes, with Particular Reference to Applications
	Sigla~~: [[Sigla::~~LDM]]		\|Topic=immagini,video
			}}
	~~Anno Di Creazione: [[~~AnnoDiCreazione::2021]]

	~~Pubblicazione: [[~~Pubblicazione::The Theory of Stochastic Processes, with Particular Reference to Applications]]; [[Pubblicazione::Deep Unsupervised Learning using Nonequilibrium Thermodynamics]]; [[Pubblicazione::Diffusion Models Beat GANs on Image Synthesis]]; [[Pubblicazione::Classifier-Free Diffusion Guidance]]



	Classe di modelli di rete neurale utilizzate per la generazione di immagini e video, iniziata con Ho et al., 2020.		Classe di modelli di rete neurale utilizzate per la generazione di immagini e video, iniziata con Ho et al., 2020.

Alesaccoia il 10:45, 14 apr 2024

2024-04-14T10:45:17Z

← Versione meno recente		Versione delle 10:45, 14 apr 2024
Riga 12:		Riga 12:


	Classe di modelli di rete neurale utilizzate per la generazione di immagini e video		Classe di modelli di rete neurale utilizzate per la generazione di immagini e video, iniziata con Ho et al., 2020.

Alesaccoia il 10:41, 14 apr 2024

2024-04-14T10:41:13Z

@@ Riga 17: / Riga 17: @@
 == Aggiunta di Rumore Gaussiano ad un'Immagine ==
-Nel contesto della tua domanda, l'aggiunta di rumore gaussiano ad un'immagine comporta l'introduzione di variazioni casuali nei valori dei pixel di un'immagine, seguendo una distribuzione gaussiana. Questo tipo di rumore viene spesso utilizzato nell'elaborazione delle immagini per simulare condizioni reali o testare l'efficacia degli algoritmi di elaborazione delle immagini.
+L'aggiunta di rumore gaussiano ad un'immagine comporta l'introduzione di variazioni casuali nei valori dei pixel di un'immagine, seguendo una distribuzione gaussiana. Il rumore gaussiano è caratterizzato dalla sua funzione di densità di probabilità, che segue una distribuzione gaussiana o normale. In parole semplici, ciò significa che i valori del rumore sono più probabili di raggrupparsi intorno al valore medio, con meno occorrenze di valori estremi più lontani dal valore medio.
 Quando si aggiunge rumore gaussiano ad un'immagine in un processo di diffusione, l'intensità di ogni pixel viene modificata aggiungendo un valore casuale campionato da una distribuzione gaussiana. I parametri della distribuzione gaussiana, come media e deviazione standard, determinano le caratteristiche del rumore aggiunto all'immagine.
-Il processo di diffusione si riferisce alla propagazione di questo rumore in tutta l'immagine, influenzando l'intensità di ogni pixel in modo casualizzato. Questo processo può essere utilizzato per vari scopi, inclusi le tecniche di denoising delle immagini, dove il rumore viene aggiunto intenzionalmente ad un'immagine per testare l'efficacia degli algoritmi di denoising.
+Il processo di diffusione si riferisce alla propagazione di questo rumore in tutta l'immagine, influenzando l'intensità di ogni pixel in modo casualizzato.
 == Esempio Numerico ==
@@ Riga 33: / Riga 30: @@
 Supponiamo inoltre che vogliamo aggiungere rumore gaussiano a questa immagine con una varianza <math>\beta</math>.
-Consideriamo un pixel con un valore originale normalizzato di <math>x = 0.6</math>, e <math>\beta = 0.1</math>.
+Consideriamo un pixel con un valore originale normalizzato tra -1 e 1 di <math>x = 0.6</math>, e di avere <math>\beta = 0.1</math> (noise schedule parameter).
 === Media e Varianza della Distribuzione ===
@@ Riga 52: / Riga 49: @@
 Quindi, in questo esempio, la media della distribuzione gaussiana rappresentante il rumore da aggiungere al pixel è approssimativamente <math>0.5692</math>, e la varianza della distribuzione è <math>0.1</math>.

Alesaccoia il 10:39, 14 apr 2024

2024-04-14T10:39:35Z

@@ Riga 13: / Riga 13: @@
 Classe di modelli di rete neurale utilizzate per la generazione di immagini e video
 == Aggiunta di Rumore Gaussiano ad un'Immagine ==
 Nel contesto della tua domanda, l'aggiunta di rumore gaussiano ad un'immagine comporta l'introduzione di variazioni casuali nei valori dei pixel di un'immagine, seguendo una distribuzione gaussiana. Questo tipo di rumore viene spesso utilizzato nell'elaborazione delle immagini per simulare condizioni reali o testare l'efficacia degli algoritmi di elaborazione delle immagini.
 Il rumore gaussiano è caratterizzato dalla sua funzione di densità di probabilità, che segue una distribuzione gaussiana o normale. In parole semplici, ciò significa che i valori del rumore sono più probabili di raggrupparsi intorno al valore medio, con meno occorrenze di valori estremi più lontani dal valore medio.

Alesaccoia il 10:38, 14 apr 2024

2024-04-14T10:38:12Z

← Versione meno recente		Versione delle 10:38, 14 apr 2024
Riga 13:		Riga 13:

	Classe di modelli di rete neurale utilizzate per la generazione di immagini e video		Classe di modelli di rete neurale utilizzate per la generazione di immagini e video

			== Aggiunta di Rumore Gaussiano ad un'Immagine ==

			Nel contesto della tua domanda, l'aggiunta di rumore gaussiano ad un'immagine comporta l'introduzione di variazioni casuali nei valori dei pixel di un'immagine, seguendo una distribuzione gaussiana. Questo tipo di rumore viene spesso utilizzato nell'elaborazione delle immagini per simulare condizioni reali o testare l'efficacia degli algoritmi di elaborazione delle immagini.

			Il rumore gaussiano è caratterizzato dalla sua funzione di densità di probabilità, che segue una distribuzione gaussiana o normale. In parole semplici, ciò significa che i valori del rumore sono più probabili di raggrupparsi intorno al valore medio, con meno occorrenze di valori estremi più lontani dal valore medio.

			Quando si aggiunge rumore gaussiano ad un'immagine in un processo di diffusione, l'intensità di ogni pixel viene modificata aggiungendo un valore casuale campionato da una distribuzione gaussiana. I parametri della distribuzione gaussiana, come media e deviazione standard, determinano le caratteristiche del rumore aggiunto all'immagine.

			Il processo di diffusione si riferisce alla propagazione di questo rumore in tutta l'immagine, influenzando l'intensità di ogni pixel in modo casualizzato. Questo processo può essere utilizzato per vari scopi, inclusi le tecniche di denoising delle immagini, dove il rumore viene aggiunto intenzionalmente ad un'immagine per testare l'efficacia degli algoritmi di denoising.

			In sintesi, l'aggiunta di rumore gaussiano in un processo di diffusione comporta l'iniezione di variazioni casuali nei valori dei pixel di un'immagine, seguendo una distribuzione gaussiana, per simulare o testare vari aspetti degli algoritmi di elaborazione delle immagini o delle condizioni del mondo reale.

			== Esempio Numerico ==

			Supponiamo di avere un'immagine in scala di grigi rappresentata da una griglia di pixel 3x3 per semplicità. Ogni pixel ha un valore compreso tra 0 e 255, dove 0 rappresenta il nero e 255 il bianco.

			Supponiamo inoltre che vogliamo aggiungere rumore gaussiano a questa immagine con una varianza \( \beta \).

			Consideriamo un pixel con un valore originale normalizzato di \( x = 0.6 \), e \( \beta = 0.1 \).

			=== Media e Varianza della Distribuzione ===

			La media della distribuzione gaussiana rappresentante il rumore da aggiungere è calcolata come \( x \times \sqrt{1 - \beta} \). Questo valore viene moltiplicato per la radice quadrata di \(1 - \beta\), che rappresenta la quantità di rumore aggiunta al valore originale del pixel.

			La varianza della distribuzione gaussiana rappresentante il rumore è determinata dal parametro \( \beta \).

			Ora, calcoliamo questi valori:

			==== Media della Distribuzione ====
			La media \( \mu \) è \( 0.6 \times \sqrt{1 - 0.1} \approx 0.6 \times \sqrt{0.9} \approx 0.5692 \).

			==== Varianza della Distribuzione ====
			Supponiamo \( C = 1 \) per semplicità.
			\( \sigma^2 = \beta \times C = 0.1 \times 1 = 0.1 \).

			Quindi, in questo esempio, la media della distribuzione gaussiana rappresentante il rumore da aggiungere al pixel è approssimativamente 0.5692, e la varianza della distribuzione è 0.1.



	[[File:Diffusion Models.png\|miniatura\|nessuno\|600x600px\|Diffusion Models]]		[[File:Diffusion Models.png\|miniatura\|nessuno\|600x600px\|Diffusion Models]]

Ilaria Maserati il 14:14, 10 apr 2024

2024-04-10T14:14:35Z

← Versione meno recente		Versione delle 14:14, 10 apr 2024
Riga 14:		Riga 14:
	Classe di modelli di rete neurale utilizzate per la generazione di immagini e video		Classe di modelli di rete neurale utilizzate per la generazione di immagini e video

			[[File:Diffusion Models.png\|miniatura\|nessuno\|600x600px\|Diffusion Models]]
	=== Links ===		=== Links ===
	[https://www.semanticscholar.org/paper/On-the-Theory-of-Stochastic-Processes%2C-with-to-Feller/4cdcf495232f3ec44183dc74cd8eca4b44c2de64 On the Theory of Stochastic Processes, with Particular Reference to Applications (1949)]		[https://www.semanticscholar.org/paper/On-the-Theory-of-Stochastic-Processes%2C-with-to-Feller/4cdcf495232f3ec44183dc74cd8eca4b44c2de64 On the Theory of Stochastic Processes, with Particular Reference to Applications (1949)]

Sara Maserati il 10:01, 10 apr 2024

2024-04-10T10:01:52Z

← Versione meno recente		Versione delle 10:01, 10 apr 2024
Riga 9:		Riga 9:

	Pubblicazione: [[Pubblicazione::The Theory of Stochastic Processes, with Particular Reference to Applications]]; [[Pubblicazione::Deep Unsupervised Learning using Nonequilibrium Thermodynamics]]; [[Pubblicazione::Diffusion Models Beat GANs on Image Synthesis]]; [[Pubblicazione::Classifier-Free Diffusion Guidance]]		Pubblicazione: [[Pubblicazione::The Theory of Stochastic Processes, with Particular Reference to Applications]]; [[Pubblicazione::Deep Unsupervised Learning using Nonequilibrium Thermodynamics]]; [[Pubblicazione::Diffusion Models Beat GANs on Image Synthesis]]; [[Pubblicazione::Classifier-Free Diffusion Guidance]]

	~~Topic: [[Topic::Generazione di immagini e video]]~~

Sara Maserati il 13:10, 9 apr 2024

2024-04-09T13:10:39Z

← Versione meno recente		Versione delle 13:10, 9 apr 2024
Riga 18:		Riga 18:
	=== Links ===		=== Links ===
	[https://www.semanticscholar.org/paper/On-the-Theory-of-Stochastic-Processes%2C-with-to-Feller/4cdcf495232f3ec44183dc74cd8eca4b44c2de64 On the Theory of Stochastic Processes, with Particular Reference to Applications (1949)]		[https://www.semanticscholar.org/paper/On-the-Theory-of-Stochastic-Processes%2C-with-to-Feller/4cdcf495232f3ec44183dc74cd8eca4b44c2de64 On the Theory of Stochastic Processes, with Particular Reference to Applications (1949)]
	[https://arxiv.org/pdf/1503.03585.pdf ~~Deep Unsupervised Learning using Nonequilibrium Thermodynamics~~ Deep Unsupervised Learning using Nonequilibrium Thermodynamics (2015)]		[https://arxiv.org/pdf/1503.03585.pdf Deep Unsupervised Learning using Nonequilibrium Thermodynamics (2015)]
	[https://arxiv.org/abs/2105.05233 Diffusion Models Beat GANs on Image Synthesis (2021)]		[https://arxiv.org/abs/2105.05233 Diffusion Models Beat GANs on Image Synthesis (2021)]
	[https://arxiv.org/abs/2207.12598 Classifier-Free Diffusion Guidance (2022)]		[https://arxiv.org/abs/2207.12598 Classifier-Free Diffusion Guidance (2022)]

Sara Maserati il 13:09, 9 apr 2024

2024-04-09T13:09:59Z

← Versione meno recente		Versione delle 13:09, 9 apr 2024
Riga 1:		Riga 1:

			Nome: [[Nome::Modello di Diffusione Latente]]

			Nome Inglese: [[NomeInglese::Latent Diffusion Model]]

			Sigla: [[Sigla::LDM]]

			Anno Di Creazione: [[AnnoDiCreazione::2021]]

			Pubblicazione: [[Pubblicazione::The Theory of Stochastic Processes, with Particular Reference to Applications]]; [[Pubblicazione::Deep Unsupervised Learning using Nonequilibrium Thermodynamics]]; [[Pubblicazione::Diffusion Models Beat GANs on Image Synthesis]]; [[Pubblicazione::Classifier-Free Diffusion Guidance]]

			Topic: [[Topic::Generazione di immagini e video]]



	Classe di modelli di rete neurale utilizzate per la generazione di immagini e video		Classe di modelli di rete neurale utilizzate per la generazione di immagini e video

Riga 8:		Riga 23:

	[[Category:architettura]]		[[Category:architettura]]

			__SHOWFACTBOX__