Diffusion Model
نموذج الانتشار
التعريف
نموذج توليدي يتعلم عكس عملية تدريجية تُضاف فيها ضوضاء إلى البيانات، فيولّد عينات جديدة بإزالة الضوضاء خطوة خطوة.
في المرحلة الأمامية تُفسَد الصورة بإضافة ضوضاء غاوسية على خطوات حتى تصبح ضوضاء صرفة. يتعلم النموذج في المرحلة العكسية التنبؤ بالضوضاء المضافة وإزالتها.
للتوليد يبدأ من ضوضاء عشوائية ويزيلها تدريجياً، ويمكن توجيهه بنص أو شرط. تقوم عليه نماذج توليد صور شهيرة.
Definition
A diffusion model learns to reverse a gradual noising process, generating samples by iteratively denoising random noise, optionally guided by conditioning such as text.
شرح مبسّط للمبتدئين
كأن ترى صورة تتلاشى في ضباب كثيف، ثم تتعلم أن تعيد بناء الصورة من الضباب بإزالته طبقة طبقة.
شرح أكاديمي متخصص
تعلم DDPM (Ho وآخرون 2020) التنبؤ بالضوضاء \(\epsilon_\theta(x_t,t)\) بخسارة تربيعية، وهو مرتبط بمطابقة الدرجات (Score Matching).
أمثلة عملية
- توليد صورة من وصف نصي.
التطبيقات والاستخدامات
- توليد الصور والصوت والفيديو.
- ترميم الصور.
المزايا
- جودة وتنوع عاليان.
- تدريب أكثر استقراراً من GAN.
القيود والعيوب
- التوليد بطيء لتعدد الخطوات.
- كلفة حسابية عالية.
المعادلات الرياضية
المرحلة الأمامية
x_t=\sqrt{\bar\alpha_t}\,x_0+\sqrt{1-\bar\alpha_t}\,\epsilon,\quad \epsilon\sim\mathcal N(0,I)تُحسب صورة الخطوة t مباشرة من الصورة الأصلية بمزجها مع ضوضاء غاوسية.
| الرمز | المعنى |
|---|---|
| \(x_0\) | الصورة الأصلية |
| \(x_t\) | الصورة بعد t خطوة |
| \(\bar\alpha_t\) | معامل جدول الضوضاء |
| \(\epsilon\) | ضوضاء غاوسية |
