AI内容生成（ai-gc）

最近 ai-gc 很火爆，整理一些这方面的内容。

• 1. 变分自编码器（Variational Autoencoder）
  • 1.1. 证据下界(Evidence Lower Bound,ELBO)
  • 1.2. 编码-解码
  • 1.3. 总结
  • 1.4. VQ-VAE
  • 1.5. 参考文献
• 2. 扩散概率模型（diffusion probabilistic models）
  • 2.1. 扩散概率模型（diffusion probabilistic model）
  • 2.2. 降噪扩散概率模型（Denoising diffusion probabilistic model,DDPM）
  • 2.3. 基于分数的解释（Score-based DDPM）
  • 2.4. 扩散模型的三种等价表示
  • 2.5. 改进降噪扩散概率模型（Improved Denoising Diffusion Probabilistic Models,IDDPM）
  • 2.6. 参考文献
• 3. 去噪扩散隐式模型（Denoising Diffusion Implicit Models,DDIM）
  • 3.1. 扩散模型的回顾
  • 3.2. 非马尔科夫前向过程
  • 3.3. 加速采样
  • 3.4. 参考文献
• 4. 基于分数的生成模型（Score-based generative models）
  • 4.1. 基于分数的生成模型
  • 4.2. 随机微分方程
  • 4.3. 参考文献
• 5. 条件控制扩散模型
  • 5.1. classifier guidance
  • 5.2. Classifier-free guidance
  • 5.3. CLIP Guidance
• 6. DALL·E 2
  • 6.1. GLIDE
  • 6.2. unCLIP
  • 6.3. 参考文献
• 7. 稳定扩散模型（Stable diffusion model）
  • 7.1. 潜在扩散模型（Latent diffusion model,LDM）
  • 7.2. 稳定扩散模型（Stable diffusion,SD）
  • 7.3. 参考文献
• 8. 条件控制之ControlNet
  • 8.1. 算法原理
  • 8.2. 代码实现
  • 8.3. 最后的总结
  • 8.4. 参考文献
• 9. 条件控制之DreamBooth
  • 9.1. DreamBooth 技术
  • 9.2. 参考文献
• 10. Imagen
  • 10.1. 代码实现解读
  • 10.2. Imagen 总结
  • 10.3. 参考文献