生成模型
从隐变量、变分推断与 VAE 出发,理解扩散模型、连续流与 Flow Matching,并联系图像、点云和几何生成。
系列目录 11 篇文章
- 从隐变量模型到变分推断
- 神经网络如何表示概率分布
- 让变分推断可以训练:采样、重参数化与摊销
- VAE:从隐变量概率模型到生成
- 扩散模型(一):从加噪、去噪到生成,一次讲清楚
- 扩散模型(二):够用的数学,从加噪公式推到训练与采样
- 扩散模型(三):DDPM 与 DDIM,训练相同,采样怎样不同?
- 连续时间生成(一):同一个 score,为什么能用 SDE 或 ODE 生成?
- 连续时间生成(二):从可逆变换到 Normalizing Flow
- Flow Matching:把去噪改写成从噪声到椅子的运动
- 几何生成:把 ShapeNet 椅子变成点云或几何场
前四篇介绍概率建模与 VAE。想读扩散模型,可以直接从第五篇开始:第一篇用 MNIST 与 ShapeNet 椅子讲完加噪、训练、生成和常见扩展;第二篇用够用的数学串起 DDPM 的整个推导。接着再读采样加速、连续时间与 Flow Matching,最后扩展到 SDF 几何场。