SDE 统一视角 ​ 在之前的文章中，我们介绍了 score-based model 的基本概念，包括其如何对数据分布进行建模、如何从建模的分布中采样，以及通过对分布施加扰动来提高建模精度的方法。本文将重点探讨如何运用随机微分方程（Stochastic Differential Equations, SDEs）来构建和理解 score-based 生成模型。 ​ SDE 提供了一个强大的数学框架

​ 上一篇文章中我们介绍了 score-based model 的基本概念，包括其如何对分布进行建模、如何从建模的分布中进行采样以及通过对分布进行扰动提高其建模精度的方式。在这篇文章中我们将介绍的是如何使用随机微分方程（也就是 SDE）进行 score-based 建模。 本文将score-based model和DDPM进行大一统。虽然SDE构造扩散模型是一个全新的框架，但是其本质还是score

基于分数的生成模型（Score-based Generative Model ） Overview ​ 首先简单讲讲分数模型(score-based models) 是怎么回事，以一句话总结来说就是： 它估计 数据分布相关的梯度 并基于 朗之万动力学(Langevin Dynamics) 的思想来生成样本。 Score Matching ​ 如果有一组数据 {x1,x1,…,xn}\{\b

基于分数的生成模型（Score-based Generative Model） Overview ​ 首先，我们来探讨一下什么是基于分数的生成模型（Score-based Generative Models，简称SGM）。其核心思想可以概括为：该模型通过估计数据概率密度函数的对数梯度（即“分数”），并借鉴**朗之万动力学（Langevin Dynamics）**的原理来逐步生成新的数据样本

timm 库实用手册 什么是 timm 库？ ​ PyTorch Image Models (timm)是一个图像模型（models）、层（layers）、实用程序（utilities）、优化器（optimizers）、调度器（schedulers）、数据加载/增强（data-loaders / augmentations）和参考训练/验证脚本（reference training / val

Flow Models 详解 生成模型概览 ​ 在探索模型结构的多样性时，主流的生成模型大致可分为几类：GAN (生成对抗网络)、VAE (变分自编码器)、Flow (流模型)、Diffusion (扩散模型)以及 AR (自回归模型)等。它们各有特点，致力于从不同角度解决数据生成的问题。 基于流的生成模型 (Flow-based Generative Model) ​ 首先需要回顾一下

PointNet & PointNet++ ​ 3d 数据多重表示，例如 point cloud，mesh，volumetric 和 RBGD（投影过后的视角），但是我们常常使用的是 point cloud数据格式，因为点云格式是传感器的原始数据，同时是一种规范的数据形式，因此在实际中我们常常选择对点云数据处理而非其他格式的 3d 数据，PointNet 之前的工作都是通过将点云数据通过

Hashable & Mutable 的讨论 基本概念 可变性 (Mutability) 与不可变性 (Immutability) 首先，我们来区分可变对象和不可变对象。 可变对象 (Mutable Objects)：指的是那些在创建后，其内部状态可以被修改的对象。这意味着你可以在不改变对象在内存中的地址（ID）的情况下，改变其内容。常见可变类型有 list , dict , se

对于在线处理和离线处理的讨论 问题描述： ​ 我在使用 MLLM 的 VQA 方式进行单目标跟踪的时候，出现了一个问题是，由于输入的图片分辨率不一样，如果我使用了 normalize bbox 模型并不能正确理解 normalize bbox 的含义，因此我需要正确裁剪 bbox 输入模型相同分辨率的图像，因此需要正确处理数据集，有两种方式，将数据集先全部裁剪完再开始训练，这就是 off-li