生成扩散模型漫谈：信噪比与大图生成（下）

©PaperWeekly 原创 · 作者 | 苏剑林单位 | 科学空间研究方向 | NLP、神经网络上一篇文章《生成扩散模型漫谈：信噪比与大图生成（上）》中，我们介绍了通过对齐低分辨率的信噪比来改进 noise schedule，从而改善直接在像素空间训练的高分辨率图像生成（大图生成）的扩散模型效果。而这篇文章的主角同样是信噪比和大图生成，但做到了更加让人惊叹的事情——直接将训练好低分辨率图像的扩散模型用于高分辨率图像生成，不用额外的训练，并且效果和推理成本都媲美直接训练的大图模型！这个工作出自最近的论文《Upsample Guidance: Scale Up Diffusion Models without Training》[1]，它巧妙地将低分辨率模型上采样作为引导信号，并结合了 CNN 对纹理细节的平移不变性，成功实现了免训练高分辨率图像生成。思想探讨我们知道，扩散模型的训练目标是去噪（Denoise， ………………………………