ScoreSdeVpScheduler
ScoreSdeVpScheduler 是一个方差保持随机微分方程 (SDE) 调度器。它在杨松、贾斯查·索尔-迪克施泰因、迪德里克·P·金玛、阿比希克·库马尔、斯特凡诺·埃尔蒙、本·普尔的 基于分数的生成建模通过随机微分方程 论文中被提出。
论文的摘要是
从数据中创建噪声很容易；从噪声中创建数据是生成式建模。我们提出了一个随机微分方程 (SDE)，它通过缓慢地注入噪声将复杂的数据分布平滑地转换为已知的先验分布，以及一个相应的反向时间 SDE，它通过缓慢地去除噪声将先验分布转换回数据分布。至关重要的是，反向时间 SDE 仅取决于扰动数据分布的时间相关梯度场（又名分数）。通过利用基于分数的生成式建模的进步，我们可以使用神经网络准确地估计这些分数，并使用数值 SDE 求解器来生成样本。我们表明，该框架封装了基于分数的生成式建模和扩散概率建模中的先前方法，允许使用新的采样程序和新的建模功能。特别是，我们引入了预测校正框架来校正离散反向时间 SDE 演变中的误差。我们还推导出一个等效的神经 ODE，它从与 SDE 相同的分布中采样，但也额外地允许进行精确似然计算，并提高了采样效率。此外，我们提供了一种使用基于分数的模型解决逆问题的新方法，如在类条件生成、图像修复和着色实验中所证明的。结合多种架构改进，我们在 CIFAR-10 上实现了无条件图像生成方面的破纪录性能，Inception 分数为 9.89，FID 为 2.20，具有竞争力的似然为 2.99 比特/维，并首次从基于分数的生成模型中演示了 1024 x 1024 图像的高保真生成。
🚧 该调度器正在建设中！
ScoreSdeVpScheduler
class diffusers.schedulers.ScoreSdeVpScheduler
< source >( num_train_timesteps = 2000 beta_min = 0.1 beta_max = 20 sampling_eps = 0.001 )
ScoreSdeVpScheduler 是一个方差保持随机微分方程 (SDE) 调度器。
该模型继承自 SchedulerMixin 和 ConfigMixin。有关库为所有调度器实现的通用方法（例如加载和保存），请查看超类文档。
set_timesteps
< source >( num_inference_steps device: Union = None )
设置用于扩散链的连续时间步（在推理之前运行）。
step_pred
< source >( score x t generator = None )
通过反转 SDE 来预测前一个时间步的样本。此函数根据学习到的模型输出（通常是预测的噪声）传播扩散过程。