本书全面介绍了扩散模型这种新兴的深度生成模型在各个领域的应用，其内容包括AIGC与相关技术、扩散模型基础、扩散模型的高效采样、扩散模型的似然最大化、将扩散模型应用于具有特殊结构的数据、扩散模型与其他生成模型的关联、扩散模型的应用、扩散模型的未来等。本书旨在提供一个情景，帮助读者深入了解扩散模型，确定扩散模型的关键研究领域，以及适合未来进一步探索的研究领域。
本书适合深度学习领域的研究人员、工程师、学生，以及对深度生成模型感兴趣的人阅读。

杨灵，北京大学博士在读，研究兴趣是机器学习和生成式AI，作为第一作者在ICML、CVPR等人工智能顶会、顶刊上发表过多篇论文，长期担任TPAMI、ICML、NeurIPS、CVPR、KDD、AAAI等顶级学术会议或期刊的程序委员会成员、审稿人。与OpenAI、斯坦福大学等AI研究机构进行长期科研合作。曾获北京大学国家奖学金、学术创新奖、三好学生等奖项。

第1章 AIGC与相关技术
1.1 AIGC简介
1.2 扩散模型简介
第2章 扩散模型基础
2.1 去噪扩散概率模型
2.2 基于分数的生成模型
2.3 随机微分方程
2.4 扩散模型的架构
第3章 扩散模型的高效采样
3.1 微分方程
3.2 确定性采样
3.2.1 SDE求解器
3.2.2 ODE求解器
3.3 基于学习的采样
3.3.1 离散方式
3.3.2 截断扩散
3.3.3 知识蒸馏
第4章 扩散模型的似然最大化
4.1 似然函数最大化
4.2 加噪策略优化
4.3 逆向方差学习
4.4 精确的对数似然估计
第5章 将扩散模型应用于具有特殊结构的数据
5.1 离散数据
5.2 具有不变性结构的数据
5.3 具有流形结构的数据
5.3.1 流形已知
5.3.2 流形未知
第6章 扩散模型与其他生成模型的关联
6.1 变分自编码器与扩散模型
6.2 生成对抗网络与扩散模型
6.3 归一化流与扩散模型
6.4 自回归模型与扩散模型
6.5 基于能量的模型与扩散模型
第7章 扩散模型的应用
7.1 无条件扩散模型与条件扩散模型
7.2 计算机视觉
7.2.1 图像超分辨率、图像修复和图像翻译
7.2.2 语义分割
7.2.3 视频生成
7.2.4 点云补全和点云生成
7.2.5 异常检测
7.3 自然语言处理
7.4 时间数据建模
7.4.1 时间序列插补
7.4.2 时间序列预测
7.5 多模态学习
7.5.1 文本到图像的生成
7.5.2 文本到音频的生成
7.5.3 场景图到图像的生成
7.5.4 文本到3D内容的生成
7.5.5 文本到人体动作的生成
7.5.6 文本到视频的生成
7.6 鲁棒学习
7.7 跨学科应用
7.7.1 人工智能药物研发
7.7.2 医学影像
第8章 扩散模型的未来——GPT及大模型
8.1 预训练技术简介
8.1.1 生成式预训练和对比式预测练
8.1.2 并行训练技术
8.1.3 微调技术
8.2 GPT及大模型
8.2.1 GPT-1
8.2.2 GPT-2
8.2.3 GPT-3和大模型
8.2.4 InstructGPT和ChatGPT
8.2.5 VisualChatGPT
8.3 基于GPT及大模型的扩散模型
8.3.1 算法研究
8.3.2 应用范式
相关资料说明