High-Resolution Image Synthesis with Latent Diffusion Models机翻

扩散模型总体包括两部分，主要处理cv的问题，这里的有一个网站：https://beta.dreamstudio.ai/home 主要是对该模型的一个应用，输入一段描述性文字，就可以生成相关的场景图片。该ppt是我在组会上讲解的ppt。

AI本地作画-Disco-Diffusion,本地配置好环境以减运行

matlab最简单的代码Python的扩散图和几何谐波 概述 适用于Python的diffusion-maps图库提供了扩散图[fn：1]和几何谐波[fn：2]的快速且准确的实现。 它的速度源于稀疏线性代数和（可选）图形处理单元的使用，以加快计算速度。 在具有超过2亿个非零条目的矩阵上，所包含的代码通常使用GPU来解决SciPy特征值问题的速度比SciPy快3倍。 该软件包包括一个命令行实用程序，用于快速计算数据集上的扩散图。 diffusion-maps模块的一些功能包括： 使用最近的邻居快速评估距离矩阵。 使用稀疏线性代数快速准确地计算特征值/特征向量对。 可选的GPU加速的稀疏线性代数例程。 库的可选接口。 简单且易于修改的代码。 [fn：1] Coifman，RR，＆Lafon，S.（2006）。 扩散图。 应用与计算谐波分析，21（1），5-30。 [fn：2] Coifman，RR，＆Lafon，S.（2006）。 几何谐波：一种用于经验函数的多尺度样本外扩展的新颖工具。 应用与计算谐波分析，21（1），31–52。 先决条件 该库在Python 3.5+中实现，并使用和。

CVPR 2017 论文：Efficient Diffusion on Region Manifolds Recovering Small Objects with Compact CNN Representations

本书涵盖了用于数字图像增强和多尺度图像表示的非线性偏微分方程（PDE）方法背后的主要思想。

不同的低维嵌入是一个正交坐标系，由1. 数据上定义的扩散过程2 . 归一化拉普拉斯贝尔特拉米算子3. 归一化 Focker Plank 算子 这是一种使用流形学习概念的非线性降维技术。 图像是彩色编码的。 （使用此算法使用归一化 Focker Plank 算子的前三个非平凡特征函数对每个 2 维的 2 个数据集进行聚类）

我已经应用了大趋势扩散方法来生成与我的应用程序相关的虚拟样本，您可以根据您当前的问题使用或修改此代码。 此样本中的特征是房间数量、走廊大小和房间大小（对于模块化建筑），理想的输出是估计模拟器的菌落大小和限制参数。 您可以通过此电子邮件向我提出任何问题或疑问： aqillakhamis@gmail.com

ADMSS 是 Matlab:copyright: 软件包，它实现了最近发表的论文中描述的“基于超声图像散斑统计的带记忆的各向异性扩散滤波器”： · G. Ramos-Llorden 等人，“具有基于超声图像斑点统计的记忆的各向异性扩散滤波器”，IEEE 图像处理交易，第 24 卷，第 1 期，第 345,358 页，2015 年 1 月 DOI：10.1109/提示.2014.2371244 ADMSS 大大减轻了各向异性扩散滤波器的主要问题之一 [1]：由于扩散过程中局部结构定义丢失而导致的过度过滤效应。 这是通过包含以扩散张量微分延迟方程 (DDE) 形式实现的概率组织选择性记忆机制来实现的。 记忆在无意义区域被关闭，但在详细结构区域被激活，这种区分以贝叶斯概率方式进行。 结果，现在遵循时间沃尔泰拉方程的扩散通量在时间上被正则化，并且通过赋予初始扩散通量比瞬时扩散通量更重要的重要性，仅在详细区域中跟踪

DPAD 实现了两种不同的基于各向异性扩散的散斑过滤方案： -SRAD（减少斑点AD） -DPAD（细节保留广告） 这两种方法都基于 Frost 和 Kuan 的 LMMSE 滤波器对乘法噪声的各向异性扩展。 滤波器的优劣基于对噪声变异系数的正确估计。 扩散也可以使用实现半隐式方案的AOS运算符完成。 论文中的方法解释如下： 于 Y，阿克顿 ST。 散斑减少各向异性扩散。 IEEE Trans 图像处理。 2002;11(11):1260-70。 S. Aja-Fernandez、C. Alberola Lopez，关于各向异性扩散散斑滤波的变异系数的估计，IEEE Trans。 图像处理，第 15 卷，没有。 9，2006 年 9 月。 基于 Yu 和 Acton 实现的 SRADDIF 工具箱的工具箱（基于 Frederico D'Almeida 的“非线性扩散工具箱”