<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Diffusion Models on Chen Kai Blog</title><link>https://www.chenk.top/zh/tags/diffusion-models/</link><description>Recent content in Diffusion Models on Chen Kai Blog</description><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Tue, 30 Jul 2024 09:00:00 +0000</lastBuildDate><atom:link href="https://www.chenk.top/zh/tags/diffusion-models/index.xml" rel="self" type="application/rss+xml"/><item><title>偏微分方程与机器学习（七）：扩散模型与 Score Matching</title><link>https://www.chenk.top/zh/pde-ml/07-%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B%E4%B8%8Escore-matching/</link><pubDate>Tue, 30 Jul 2024 09:00:00 +0000</pubDate><guid>https://www.chenk.top/zh/pde-ml/07-%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B%E4%B8%8Escore-matching/</guid><description>&lt;p>扩散模型的输出端我们很熟悉：一张高质量图片。但训练目标乍看之下却很反直觉——&lt;strong>先把数据加噪声加到完全是高斯，再学怎么一步步去噪&lt;/strong>。为什么这个绕远路的策略反而比直接学数据分布有效？&lt;/p></description></item><item><title>常微分方程（十八）：前沿专题与系列总结</title><link>https://www.chenk.top/zh/ode/18-%E5%89%8D%E6%B2%BF%E4%B8%93%E9%A2%98%E4%B8%8E%E6%80%BB%E7%BB%93/</link><pubDate>Mon, 15 Apr 2024 09:00:00 +0000</pubDate><guid>https://www.chenk.top/zh/ode/18-%E5%89%8D%E6%B2%BF%E4%B8%93%E9%A2%98%E4%B8%8E%E6%80%BB%E7%BB%93/</guid><description>&lt;p>&lt;strong>旅程到此结束：&lt;/strong> 十八章前，我们从一枚下落的苹果启程；今天，我们仍以同样的精神作结——继续将常微分方程（ODE）视为 &lt;em>变化的通用语言&lt;/em>，只是如今站在更高的山巅。&lt;/p></description></item></channel></rss>