AI绘画属于AIGC分支之一，在热潮与争议之中，2022年甚至被冠以“AIGC元年”。而随着AI 绘画的火爆，其背后用到的核心技术之一Diffusion Model（扩散模型）也在图像生成领域大红大紫，甚至风头已经隐隐有开始超过 GAN的趋势了 。
从原理图可以看出，输入的文本首先经过编码，再由一个文字转图像的扩散模型转化为64*64的小图，从而利用超分辨率扩散模型对小图进行处理，在进一步的迭代过程中提升图像的分辨率，得到最后的生成结果——一张1024*1024的最终图像。
Diffusion model最大的优势是训练简单。它借助图像分割领域的UNet，训练loss稳定，模型效果非常好。相比于GAN需要和判别器对抗训练或者VAE需要变分后验，diffusion model的loss真的是太简单了。diffusion model只需要“模仿”一个非常简单的前向过程对应的逆过程即可。这样简单高效的训练也使得diffusion model在许多任务中的表现都非常好，甚至超过了GAN。
整体上来看，diffusion model领域正处于一个百花齐放的状态，这个领域有一点像GAN刚提出来的时候，但目前的训练技术让diffusion model直接跨越了GAN领域调模型的阶段，而是直接可以用来做下游任务。这个领域有一些核心的理论问题还需要研究，这就给科研从业者提供个很有价值的研究内容，有很多idea都可以被激发出来，同时由于这个模型已经很work了，它和下游任务的结合也才刚刚起步，有很多地方都可以赶紧占坑。而未来随着diffusion model中存在的问题的解决，diffusion model将逐渐占据深度生成模型的主导。
最近在和一位顶会论文大佬聊天的过程中，被他的背景惊到了，这位大神，目前已经发了二十多篇顶会论文！（绝对算是顶会论文收割机级别了）除了是AAI，CVPR，MICCAI，ECCV，ACCV，PatternRecognition等等会议和期刊审稿人之外，他还曾是亚马逊AppliedScientist，这些描述每一个都不简单~
2月7日，也邀请了这位顶会论文大佬，来和大家聊一聊diffusion model，来看看大老师怎么理解diffusion的～
要高效做科研，掌握方法、合理利用自身可用资源很关键！结合身边学弟学妹以及自己的科研成长经历，发现大家普遍缺乏系统的科研知识体系，很难写出一篇合格的文章。更别提发现好的创新点和idea了！
做科研发论文从结果上，其实可以分为以下三类：
-
发现一个新方法，并将其运用在一个已知的问题之上（老问题新方法）
-
发现一个新问题，并将一个已知的研究拓展到这个问题之上（新问题老方法）
-
发现一个新问题，并且提出一个新方法用以对其进行分析研究（新问题新方法）
以难以程度来考量的话，新问题老方法＜老问题新方法＜新问题新方法。
所以，大家都头疼的创新点和idea，其实也有方法论，掌握了之后，就会比较容易找到一个idea～
想“idea”，有两宝——模型+算法
模型，可以理解成system model中的部分，可以是现有问题模型的拓展延伸，其实，这就叫创新，只要你做的是别人还没研究或者研究很少的，就已经可以算创新了。
当你提出了一个模型，就要选择一个合适的算法来解决模型中的问题。可以是寻找合适的算法根据自己的场景合理地进行改进，就已经是一个很棒的想法了。
本文来自微信公众号“计算机视觉研究院”（ID：ComputerVisionGzq）。大作社经授权转载，该文观点仅代表作者本人，大作社平台仅提供信息存储空间服务。
