Tag: generative
-
【AI 工业核题 K4】Flow Matching 速度场流匹配损失（Flow Matching Velocity Field Objective）深度实现与原理解析
Stable Diffusion 3 与 Flux 核心范式，基于常微分连续速度场（CNF）线性最优传输直线路径加噪。
-
【AI 工业核题 K3】CFG（Classifier-Free Guidance 无分类器引导）（Classifier-Free Guidance (CFG)）深度实现与原理解析
Midjourney / Stable Diffusion / Flux 画质跃升核心，条件与无条件预测按引导系数 w 线性外插。
-
【AI 工业核题 K2】DDPM 反向去噪步模拟（均值方差逆向采样）（DDPM Reverse Denoising Sampling Step）深度实现与原理解析
从纯高斯白噪声中逐步逆向提炼清晰图像，利用预测噪声估计均值并注入退火扰动方差。
-
【AI 工业核题 K1】DDPM 前向加噪扩散过程（重参数化与闭式解）（DDPM Forward Diffusion Process）深度实现与原理解析
扩散模型核心基石，高斯马尔可夫链的累乘属性，使得任意时间步 t 的加噪图像可由原图一步闭式直达。
-
【AI 工业核题 G4】adaLN-Zero（DiT 扩散模型条件注入）（adaLN-Zero (Adaptive LayerNorm with Zero Init)）深度实现与原理解析
Sora / DiT 核心，基于时间步与标签条件动态生成缩放、平移与残差门控参数，全零初始化保证初始等价于恒等映射。