游戏老吃家Player 2024-04-26 我是吉林大学的，最近在跟着导师一起学AI，可以说，UP主讲的知识基本已经涉及到非常前沿的领域，能把一些非常抽象复杂的东西讲的很具体，形象，确实佩服。 ♥ 1810 ↩ 42
沫莹西西n 2024-04-26 只是很浅的说说原理，给人一种感觉而已 我最大的疑惑就是评分函数是怎么表示的？或是具体一点的是什么样的？ 还有很多一笔带过的词一听就知道其中没那么简单，想听更详细的[大哭] ♥ 273 ↩ 29
二零醚酱 2024-04-26 每次玩AI绘画乐趣之一就是看着AI一步一步把画从一张噪声图里“挖”出来的过程……就像米开朗基罗的那句“雕像本来就存在在石头中,我只是把它从石头中放出来”一样神奇 ♥ 339 ↩ 60
particleFLOW 2024-04-26 THU属实对diffusion model贡献非常大，走出了yang song，jiaxin shi，jiaming song等人，希望未来能看到up的代表作[脱单doge] ♥ 287 ↩ 14
DarlingAstronaut 2024-04-26 相当入门了，相当于对原数据分布的随机梯度上升，核心是用神经网络把梯度也就是score function学习出来。大佬之后会考虑涉及score matching以及用随机微分方程建模扩散过程吗？ ♥ 177 ↩ 7
AI全文总结 2024-04-26 ## 课代表总结 视频介绍了AI如何通过扩散模型生成逼真的图片和视频。讲解者曼市，毕业于清华姚班，是一名人工智能领域的博士生，他深入但通俗地解释了这一技术的原理，纠正了网络上对AI炒作的不实言论，并承诺将通过系列视频科普更多AI基础知识。 ## 要点 - 🎯 AI生成图片和视频主要依赖于扩散模型，这一技术基于物理中的扩散过程和概率统计原理。 - 🧪 扩散模型利用了维纳过程（布朗运动）的原理，随机粒子随着时间扩散，最终形成高斯分布，这是中心极限定理的一个体现。 - 🧮 通过模拟粒子扩散过程并逆向追踪，可以重建出初始的结构，这利用了熵增和熵减的差异，以及评分函数（Score function）的概念。 - 🖼️ 生成逼真的图片等同于让粒子形成特定结构，而真实图片在像素空间中对应着有特定形状和结构的向量，这被称为“流行假设”（Manifold hypothesis）。 - 🧠 深度学习技术，尤其是神经网络，用于学习评分函数，从而预测粒子在前一时刻的位置，实现去噪和接近真实图片。 - 🎬 SORA突破了静态图片生成，实现了动态视频生成，但时间连贯性和逻辑理解仍是挑战，随着技术进步，这些问题有望得到解决。 - 🎓 该视频是系列科普的一部分，旨在用专业但易懂的方式介绍AI的基础知识和技术原理。 --本消息由@AI视频总结 召唤成功 ♥ 108 ↩ 5
Taaachikoma 2024-04-26 分享一下前两天张颢老师在随机过程课程中的讲授：我们把生成式扩散模型看成让计算机雕塑的过程。训练数据就是我们给他一只狗，计算机不会直接雕刻出各式各样的狗来，但是可以把我们提供的狗填补成一个球（将训练数据一步步变成高斯），这个过程是已知的。然后计算机就可以通过一个球来逆过程雕刻出一只新的狗（当然其中也要有对参数的学习和训练）。当然扩散模型更巧妙的是它的参数设计[脸红] ♥ 49 ↩ 2
wo汗e 2024-04-26 简单的翻一下， 一个图像是否逼真取决于部分逼真的地方，而不是整体 如何获取逼真的图片，是深度学习依靠真假标注的图片自动学习的 动态图片取决于连续性上的真实，是一种依靠更多标注的 所以本质上是人在标注，和流水线差不多 别被卖课的骗了也无需焦虑，工具永远是给人使用的，看起来复杂而已 ♥ 55 ↩ 1
菜狗老师 2024-04-27 有人问可不可以逆向马赛克？ 我的理解是：理论上解释了可以从模糊变成清晰，但马赛克无法被复原（除非人家也给你它转码后的路径让你逆向算出来），但是你可以给马赛克上的添加指向函数让算法生成你想要马赛克清洗后的样子，等于是你在马赛克上覆盖一层图层，之后就是要考虑成本了，有些马赛克就不值得覆盖一层图层，视频就等于一帧一帧的覆盖图层，想要好，就成本更高。 ♥ 73 ↩ 23
Comments
我是吉林大学的，最近在跟着导师一起学AI，可以说，UP主讲的知识基本已经涉及到非常前沿的领域，能把一些非常抽象复杂的东西讲的很具体，形象，确实佩服。
♥ 1810 ↩ 42
我是讲授人工智能课程的大学老师，看了视频非常有启发和收获，简单明了。以后我给学生讲起来会更容易一些。向你学习了！非常感谢！
♥ 1132 ↩ 14
你们不知道的是，我关注up纯属是觉得声音好听（这样的配音 在整个b站也是很少见的
♥ 507 ↩ 33
只是很浅的说说原理，给人一种感觉而已 我最大的疑惑就是评分函数是怎么表示的？或是具体一点的是什么样的？ 还有很多一笔带过的词一听就知道其中没那么简单，想听更详细的[大哭]
♥ 273 ↩ 29
每次玩AI绘画乐趣之一就是看着AI一步一步把画从一张噪声图里“挖”出来的过程……就像米开朗基罗的那句“雕像本来就存在在石头中,我只是把它从石头中放出来”一样神奇
♥ 339 ↩ 60
THU属实对diffusion model贡献非常大，走出了yang song，jiaxin shi，jiaming song等人，希望未来能看到up的代表作[脱单doge]
♥ 287 ↩ 14
相当入门了，相当于对原数据分布的随机梯度上升，核心是用神经网络把梯度也就是score function学习出来。大佬之后会考虑涉及score matching以及用随机微分方程建模扩散过程吗？
♥ 177 ↩ 7
ai安全博士， 大概听了一下，感觉这门课放在我国99%大学值3个学分。
♥ 233 ↩ 16
大佬一看就是浓厚的姚班风格，数理基础极强。现在很多b站AI课程就图一乐，对数理毫不深究
♥ 179 ↩ 13
## 课代表总结 视频介绍了AI如何通过扩散模型生成逼真的图片和视频。讲解者曼市，毕业于清华姚班，是一名人工智能领域的博士生，他深入但通俗地解释了这一技术的原理，纠正了网络上对AI炒作的不实言论，并承诺将通过系列视频科普更多AI基础知识。 ## 要点 - 🎯 AI生成图片和视频主要依赖于扩散模型，这一技术基于物理中的扩散过程和概率统计原理。 - 🧪 扩散模型利用了维纳过程（布朗运动）的原理，随机粒子随着时间扩散，最终形成高斯分布，这是中心极限定理的一个体现。 - 🧮 通过模拟粒子扩散过程并逆向追踪，可以重建出初始的结构，这利用了熵增和熵减的差异，以及评分函数（Score function）的概念。 - 🖼️ 生成逼真的图片等同于让粒子形成特定结构，而真实图片在像素空间中对应着有特定形状和结构的向量，这被称为“流行假设”（Manifold hypothesis）。 - 🧠 深度学习技术，尤其是神经网络，用于学习评分函数，从而预测粒子在前一时刻的位置，实现去噪和接近真实图片。 - 🎬 SORA突破了静态图片生成，实现了动态视频生成，但时间连贯性和逻辑理解仍是挑战，随着技术进步，这些问题有望得到解决。 - 🎓 该视频是系列科普的一部分，旨在用专业但易懂的方式介绍AI的基础知识和技术原理。 --本消息由@AI视频总结 召唤成功
♥ 108 ↩ 5
我想起了刘慈欣的“诗云”，将所有汉字的排列组合都列出来，那么最好的诗自然也包含在里面，后面要做的就是把这条矿脉找出来。
♥ 106 ↩ 12
原来扩散模型是这个意思 真的是一个逆熵的过程 这个视频太棒啦 矿脉这个粒子非常棒
♥ 65 ↩ 4
分享一下前两天张颢老师在随机过程课程中的讲授：我们把生成式扩散模型看成让计算机雕塑的过程。训练数据就是我们给他一只狗，计算机不会直接雕刻出各式各样的狗来，但是可以把我们提供的狗填补成一个球（将训练数据一步步变成高斯），这个过程是已知的。然后计算机就可以通过一个球来逆过程雕刻出一只新的狗（当然其中也要有对参数的学习和训练）。当然扩散模型更巧妙的是它的参数设计[脸红]
♥ 49 ↩ 2
简单的翻一下， 一个图像是否逼真取决于部分逼真的地方，而不是整体 如何获取逼真的图片，是深度学习依靠真假标注的图片自动学习的 动态图片取决于连续性上的真实，是一种依靠更多标注的 所以本质上是人在标注，和流水线差不多 别被卖课的骗了也无需焦虑，工具永远是给人使用的，看起来复杂而已
♥ 55 ↩ 1
最近在用海螺AI 也还蛮好用的 关键用手机就能下载
♥ 53 ↩ 2
有人问可不可以逆向马赛克？ 我的理解是：理论上解释了可以从模糊变成清晰，但马赛克无法被复原（除非人家也给你它转码后的路径让你逆向算出来），但是你可以给马赛克上的添加指向函数让算法生成你想要马赛克清洗后的样子，等于是你在马赛克上覆盖一层图层，之后就是要考虑成本了，有些马赛克就不值得覆盖一层图层，视频就等于一帧一帧的覆盖图层，想要好，就成本更高。
♥ 73 ↩ 23
我理解一点了，为什么喂给ai一种图片他就能生成类似的图片，因为喂给的是图片组成的像素rgb数据的规律，有规律可循就可以算出来了[星星眼]
♥ 39
听到一半，突然觉得，这算不算一种人类在数字空间中实现了人造的拉普拉斯妖？
♥ 49 ↩ 19
博士试图教会我[委屈][委屈][委屈]我没白活
♥ 42
这节课不得卖个39.9[tv_doge]
♥ 38 ↩ 1