本文会从最简单的扩散模型开始讲起，然后根据原始模型存在的缺点介绍当前的一些改进方法，最后介绍一个经典的可用于条件生成的扩散模型Stable Diffusion.

虚拟机太卡以及Ubuntu界面太小怎么办虚拟机太卡问题大家在学习操作系统时，作为新手或者为了方便同时在windows上继续操作，一般会选择在原系统上安装一个虚拟机。但是往往安装后的虚拟机很卡，极大可能是因为大家在初始内存分配上出现了问题（虚拟机本身对设备性能要求较高）。查看自己电脑本身的设备内存大小：只有了解了自身电脑的配置才能更好地安装虚拟机和使用虚拟机。在键盘上按下Win+R进入W...

文章目录参考目的计算原理Python实现参考https://www.cnblogs.com/liugl7/p/10874958.html参考上文的原理以及框架，在其基础上做了一定的修改及提炼目的我们在做图像领域的任务或者项目时，通常需要对图像进行归一化处理，使输入网络的数据呈现一个稳定的分布。这就需要我们求得图像各通道（R、G、B）的均值以及方差。计算原理一般计算方差和均值需要两步，...

文章目录原文地址论文阅读方法前因初识相知分析问题具体技术回顾原文地址https://arxiv.org/pdf/2111.06377.pdf论文阅读方法三遍论文法前因最近没太关注自监督学习领域的进展，但最近几天公众号都在疯狂推送这篇kaiming大佬的自监督学习新作《MAE》，抱着好奇的态度看了一下，有一些自己的感悟和思考。此外，这篇文章在知乎上也引起了大佬们的广泛讨论，以及也有很多不错的博客进行

文章目录前言1. 基于Deep SVDD1.1 Deep SVDD2. 基于SPADE2.1 SPADE (CVPR2021)前言异常检测领域中，基于嵌入的方法指的是：将图像送入模型，提取特征，并在对应的特征空间中学习分界面。与重构方法的主要不同在于，其不在RGB图像空间而是在高维的特征空间中进行异常检测；与自监督的方法不同，不过于依赖额外的负样本的构造 / 代理任务的设计，主要考虑的特征空间中的

文章目录原文地址论文阅读方法初始（Abstract & Introduction & Conclusion）相知（Body）2. Related WorkConventional MethodsData-Driven Methods3. Methodology3.1 Light-Enhancement Curve (LE-Curve)3.2 DCE-Net3.3 Non-Refer

文章目录原文地址初识相知回顾原文地址ICCV原文地址初识在无监督设置下，学习密集语义表征(dense semantic representations)是一个非常重要的问题，这引导网络学习像素级的语义表征/嵌入，这对无监督语义分割非常重要。如果解决了这个问题，那么后续直接使用K-Means聚类将每个像素聚集到对应的sematic groups就可以执行语义分割。目前采用的无监督表征学习(自监督学习

文章目录前言1. 基线 AE/VAE2. 基于inpainting思想2.1 SMAI (BMVC2020)2.2 SCADN (AAAI2021)2.3 RIAD (PR2021)3. 基于Memory Bank3.1前言在图像异常检测中，基于重构的方法是一种很自然的思想：构建一个Encoder-Decdoer结构的网络执行重构任务，目标是让模型能够重构好正常样本。那么在测试时，对于正常样本仍然

《MVTec AD：A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection》简介MVTec AD是MVtec公司提出的一个用于异常检测的数据集，发布于2019CVPR。与之前的异常检测数据集不同，该数据集模仿了工业实际生产场景，并且主要用于unsupervised anomaly detection。数据集为异常区

本文会从最简单的扩散模型开始讲起，然后根据原始模型存在的缺点介绍当前的一些改进方法，最后介绍一个经典的可用于条件生成的扩散模型Stable Diffusion.