#DDPM

blended-diffusion

Blended Diffusion 是一种利用自然语言和ROI掩模进行图像局部编辑的工具。结合了CLIP预训练语言-图像模型和DDPM去噪扩散模型，实现了高效的自然图像编辑。它可以保持背景完整，并无缝融合编辑区域，减少对抗性结果。功能包括新增物体、移除/替换/改变现有物体、背景替换和图像外推。相关代码和模型已开放下载，供用户探索。

med-seg-diff-pytorch

med-seg-diff-pytorch是一个基于PyTorch的医学图像分割框架，采用扩散概率模型(DDPM)和特征级条件增强技术。该项目提供简易安装和使用方法，支持自定义数据集训练，并计划增加更多功能。它为医学图像分析领域提供了一个功能强大、使用灵活的开源工具。

ddpm-cifar10-32

该项目实现了基于扩散概率模型的图像生成。模型利用非平衡热力学原理，在CIFAR10数据集上达到9.46的Inception分数和3.17的FID分数。项目支持DDPM、DDIM和PNDM等多种噪声调度器，可平衡生成质量和推理速度。开发者可使用预训练模型进行推理或自行训练新模型。

ddpm-ema-celebahq-256

项目通过去噪扩散概率模型实现高质量无条件图像生成，结合无平衡态热力学概念，在CIFAR10和256x256 LSUN数据集上取得了优异的Inception和FID评分。用户可以灵活选择噪声调度器以平衡生成质量与速度，该模型也支持渐进式无损压缩，作为自动回归解码的推广。详情请参照官方推理与训练示例。

ddpm-celebahq-256

本项目使用去噪扩散概率模型，实现了高质量的图像合成，借鉴了不平衡热力学，创新性地结合了变分界限和去噪评分匹配，并通过Langevin动力学实现渐进的解压缩。模型在CIFAR10数据集上取得了9.46的Inception得分和3.17的最新FID得分，在256x256 LSUN上样本质量与ProgressiveGAN相近。推理中可使用离散噪声调度器如ddpm、ddim或pndm，ddim和pndm在速度和质量上表现出色。项目支持用户自主训练模型，并提供官方示例用于推理和训练。