图像扩散模型是一种生成模型，它基于概率扩散过程来生成新的图像。核心步骤包括：（1）前向扩散过程；（2）逆向扩散过程。

首先需要考虑根据影像我们可以获取的可利用信息:

这项基础性模型研究旨在解决transformer模型的长序列数据计算效率低的问题，其解决方法的动机：利用选择性机制实现有效特征的提取。个人理解为通过有效特征信息的选择实现知识提取（信息压缩），这让我联想到，最初的VGG网络结构设计其实类似于模拟知识特征的压缩与抽取，但后来发现这种方式会损失边缘信息，因此提出了U-net架构，再进一步卷积的方式无法有效估计全局上下文信息的联系，进而提出注意力机制来解

问题出在从github上获取最新代码。

AUTODL使用1.配置百度网盘开放平台2.接入并创建应用3.创建应用4.添加授权

这项基础性模型研究旨在解决transformer模型的长序列数据计算效率低的问题，其解决方法的动机：利用选择性机制实现有效特征的提取。个人理解为通过有效特征信息的选择实现知识提取（信息压缩），这让我联想到，最初的VGG网络结构设计其实类似于模拟知识特征的压缩与抽取，但后来发现这种方式会损失边缘信息，因此提出了U-net架构，再进一步卷积的方式无法有效估计全局上下文信息的联系，进而提出注意力机制来解

利用两景（双轨）或三景（三轨）SAR复数影像共轭相乘生成干涉纹图（Interferogram），通过外部数字高程模型（DEM）模拟并去除地形相位，保留地表形变相位。ϕdiff​ϕdefo​ϕatmo​ϕnoise​2πk其中ϕdefo​为形变相位，ϕatmo​为大气延迟相位，k为整数模糊度（解缠参数）。：突发性、大梯度形变（地震同震形变、矿山塌陷、滑坡）

这项基础性模型研究旨在解决transformer模型的长序列数据计算效率低的问题，其解决方法的动机：利用选择性机制实现有效特征的提取。个人理解为通过有效特征信息的选择实现知识提取（信息压缩），这让我联想到，最初的VGG网络结构设计其实类似于模拟知识特征的压缩与抽取，但后来发现这种方式会损失边缘信息，因此提出了U-net架构，再进一步卷积的方式无法有效估计全局上下文信息的联系，进而提出注意力机制来解

未读取到样本完整报错main()

记录将变化检测数据集进行划分，将训练数据计划分为训练集和验证集。代码主要使用了shutil.copy函数