@water_fountain - 新的減肥！！11/1思搭抖！
---
- 制定一个阅读清单，并在规定时间内完成。
- 针对每项研究的主题、主要目标、研究方法、发现和结论撰写简短的笔记。
- 将每个参考文献记录在一个安全且易于查找的地方。
- 写作时不要停下来检查写作中的错误和失误。
- 每天都要勾选完成的任务。
- 只有在完成一天的任务后才能奖励自己。
- 在完成当天任务之前不要睡觉。
- 一年之内避免任何干扰，直到你成功后再庆祝。
重要的是要先创建你整个论文的大纲。
- 制定一个阅读清单，并在规定时间内完成。
- 针对每项研究的主题、主要目标、研究方法、发现和结论撰写简短的笔记。
- 将每个参考文献记录在一个安全且易于查找的地方。
- 写作时不要停下来检查写作中的错误和失误。
- 每天都要勾选完成的任务。
- 只有在完成一天的任务后才能奖励自己。
- 在完成当天任务之前不要睡觉。
- 一年之内避免任何干扰，直到你成功后再庆祝。
重要的是要先创建你整个论文的大纲。
用10月寫完的標準來看 每天必須完成三篇research：针对每项研究的主题、主要目标、研究方法、发现和结论撰写简短的笔记。
並且每天必須達成一頁的進度
今天要做到：
1- 制定一个阅读清单，并在规定时间内完成。
2- 针对每项研究的主题、主要目标、研究方法、发现和结论撰写简短的笔记。
3- 将每个参考文献记录在一个安全且易于查找的地方。
1- 制定一个阅读清单，并在规定时间内完成。
2- 针对每项研究的主题、主要目标、研究方法、发现和结论撰写简短的笔记。
3- 将每个参考文献记录在一个安全且易于查找的地方。
8/18 閱讀清單：
LLM+KGs综述：Unifying Large Language Models and Knowledeg Graphs: A Roadmap
GNN survey paper:
GitHub - KimMeen/Awesome-GNN4TS: [TPAMI 2024] Awesom...
LLM+KGs综述：Unifying Large Language Models and Knowledeg Graphs: A Roadmap
GNN survey paper:
GitHub - KimMeen/Awesome-GNN4TS: [TPAMI 2024] Awesom...
絕對是看不完的所以盡量看
知識圖譜語音
# 今天幫學弟把流程圖做好他明天就能報告
4_流程圖app
(用ppt隨便畫一下好了⋯⋯）
FSW - TAT Corpus
Speech AI Laboratory - TAT_S2ST_Benchmark
# 幫學弟把流程圖做好
我怎麼到現在都還沒做！！
我怎麼到現在都還沒做！！
8/29 今天：Hi，計中副主任跟我說，學校計中目前2台DGX年底前可以免費申請使用，請你幫忙研究一下。還有明年使用費用怎麼算。
然後會議紀錄還沒弄
然後NeRF還沒弄出來
也可以用一開始那個然後做ppt解釋...沒有辦法的辦法@@
----------
今天的工作是！diffusion model 的 我不知道
然後
caption 轉layout
如果甚麼也做不完就拿著U-start 創業計畫去糊弄會議
然後
caption 轉layout
如果甚麼也做不完就拿著U-start 創業計畫去糊弄會議
與ddpm一致要做什麼？（代表可以拿去plug in?即插即用嗎？
（取樣過程一致 也有可能只是剛好一致 沒有特殊意義？）
（取樣過程一致 也有可能只是剛好一致 沒有特殊意義？）
包含了res/n 自動選擇算法
可以前三殘差後三去噪
部分路徑獨立=independent 指獨立
翻譯是 男圖翻譯成女圖
因為高斯噪聲=（可被視為，等價於）=一張現實中不存在的圖片+噪聲
總結一下DDPM為以下幾點
forward process將一張圖片添加雜訊，直到這張圖片變成一個standar gaussian distribution的雜訊圖。
reverse process將一個從standar gaussian distribution隨機採樣的雜訊圖逐步去雜訊，直到還原出原來的圖片。
根據forward process和reverse process去學習真實圖像的distribution，如此一來每次只需要丟一個隨機的noise map就能生成我們要的圖片了。
forward process將一張圖片添加雜訊，直到這張圖片變成一個standar gaussian distribution的雜訊圖。
reverse process將一個從standar gaussian distribution隨機採樣的雜訊圖逐步去雜訊，直到還原出原來的圖片。
根據forward process和reverse process去學習真實圖像的distribution，如此一來每次只需要丟一個隨機的noise map就能生成我們要的圖片了。
改阿爾法 圖不變
ddpm一致就是為了分解ab？更好物理解釋？
這張§§§
抗干擾意味？有大干擾才會變？
先去噪 生成失敗
同步去除=先去殘差再去噪 十分接近
網路無變化只有輸入輸出變化 可以做不同任務
圖像生成方面結果一致sota 他的只要5步 ddpm需要很多步
沒辦法讓生成變好！但是能讓圖像補全變好
為什麼生成沒變好 因為生成裡一開始就是雜訊 （完全不存在退化圖這個東西嗎？）
圖像補全他改，輸入退化圖，就變好了
為什麼生成沒變好 因為生成裡一開始就是雜訊 （完全不存在退化圖這個東西嗎？）
圖像補全他改，輸入退化圖，就變好了
再確定一下這是什麼意思
MSE 通过将误差平方后取平均值
放一下這兩個的東西就行ㄌ
最後一張圖的意思是參數不斷增加性能不斷提高（fid下降
FID跟原圖相似度 越低越像
IS生成完的圖分類多精準 越高代表圖越清晰（清晰的圖才好分類）
IS生成完的圖分類多精準 越高代表圖越清晰（清晰的圖才好分類）
圖：下游任務 inpaint是挖空中間重新生成 外面不變
out painting 相反中間不動動外面
最後：類別作為條件的編輯
縱向：參數大
橫向：開銷高
橫向：開銷高
【【北大，字节】自回归图像生成模型 Visual Autoregressive Model（VAR）， 通过Next-Scale预测方式实现图像生成-哔哩哔哩】
【北大，字节】自回归图像生成模型 Visual Autoregressive Model（VAR）， 通...
最後5分鐘的總結還沒看
【北大，字节】自回归图像生成模型 Visual Autoregressive Model（VAR）， 通...最後5分鐘的總結還沒看
你提供的文字內容確認如下：
- 一個基於多尺度自回歸範式的新視覺生成框架，通過預測下一個尺度進行生成。
- 對VAR模型的尺度規律和零樣本泛化潛力的實證驗證。
- GPT風格的自回歸方法首次在圖像合成方面超過了擴散模型。
這些描述可以清晰傳達所涉及的技術和方法。如果這是你要表達的意思，內容是準確的。
- 一個基於多尺度自回歸範式的新視覺生成框架，通過預測下一個尺度進行生成。
- 對VAR模型的尺度規律和零樣本泛化潛力的實證驗證。
- GPT風格的自回歸方法首次在圖像合成方面超過了擴散模型。
這些描述可以清晰傳達所涉及的技術和方法。如果這是你要表達的意思，內容是準確的。
• A new visual generative framework using a multi-scale autoregressive paradigm with next-scale prediction • An empirical validation of VAR models' Scaling Laws and zero-shot generalization potential. • GPT-style autoregressive methods beat diftusion models in image synthesis firstly.
確認一下文字
確認一下文字
在擴散模型（Diffusion Model）中，score 是指数据分布的“梯度”信息，具体来说是数据分布的对数概率密度的梯度，即 \nabla_x \log p(x)。Score 表示在每个位置 x 上数据分布的上升方向，可以理解为指示点 x 在数据分布中如何移动以更接近高概率区域。
擴散模型的一个核心思路是通过逐步添加噪声来模糊数据（正向过程），然后在训练过程中学习去噪的“score”，从而反向生成清晰的样本。在逆向过程（去噪过程中），模型使用 score 来指导如何一步步去除噪声，从而最终生成接近真实分布的样本。
简单来说，score 是帮助模型区分噪声与数据的方向性信息，使得模型在生成过程中可以更有效地从噪声恢复出高质量的样本。
擴散模型的一个核心思路是通过逐步添加噪声来模糊数据（正向过程），然后在训练过程中学习去噪的“score”，从而反向生成清晰的样本。在逆向过程（去噪过程中），模型使用 score 来指导如何一步步去除噪声，从而最终生成接近真实分布的样本。
简单来说，score 是帮助模型区分噪声与数据的方向性信息，使得模型在生成过程中可以更有效地从噪声恢复出高质量的样本。
xt,t步加噪完的圖像
不斷採樣t-1(前一時刻的圖）
最終得到原始圖像
最終得到原始圖像
【扩散模型条件生成——Classifier Guidance和Classifier-free Guidance原理解析-哔哩哔哩】
扩散模型条件生成——Classifier Guidance和Classifier-free Guidan...
扩散模型条件生成——Classifier Guidance和Classifier-free Guidan...
Lambda:對應時刻t的噪聲
【基于SDE的分数生成模型原理解析-哔哩哔哩】
基于SDE的分数生成模型原理解析_哔哩哔哩_bilibili
基于SDE的分数生成模型原理解析_哔哩哔哩_bilibili