年轻人起来冲

改进 PixelCNN ，将原始 256-way 灰度级 softmax 输出改为连续分布输出

借助 NLP 循环输入预测下一字词的特点，通过定义掩码卷积，使用以前的像素预测下一像素
第一个像素 -> 完整图片，随机图片

本文提出了风格迁移中一种重要的损失函数，感知损失，使得模型生成的图片和目标风格更像
图 A + 图 B-> 图 A 参考图 B 风格，图生图

基于 Conditional Diffusion 的图片编辑应用，主要应用：图片上色（Colorization）、图片涂抹（Inpainting）、图片去裁剪（Uncropping）、JPEG 反压缩（JPEG decompression）
图片 A->VAE encoder->z + 噪声 ->z’->VAE decoder-> 图片 A’，条件图片

1. (图片)+ 文本 1->DDPM-> 条件图片
2. (图片)+ 文本 2->DDPM-> 条件图片，文生图

通过文本再编辑图片，生成的图片更符合新文本信息

1. (图片)+ 文本 1->DDPM-> 条件图片
2. (图片)+ 文本 2->DDPM-> 条件图片，文生图

和 DALL-E-2 类似过程，但是 Imagen
直接基于文本信息扩散为低分辨的图片编码，然后再使用超分辨率网络上采样。结构更简单)

1. （图片，文本）<->CLIP-> 图片编码，文本编码
2. 文本编码 ->DDPM-> 图片编码
3. 图片编码 -> 超分辨率网络 -> 高分辨率图

无需显式训练，只需要在测试时通过分析去躁过程生成图片和条件图片的低级特征，引导生成图片过程
(图片)-> 噪声 + 条件（图片）-> 条件图片，条件图片

在 PixelCNN 的基础上进一步改进掩码卷积，解决 "盲区" 问题
第一个像素 -> 完整图片，随机图片

(图片)+ 文本 ->DDPM-> 条件图片，文生图