Rauschen mit einem U-Net vorhersagen
Der Entrauscher im Zentrum der Diffusion.
Rauschen mit einem U-Net vorhersagen ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Die Aufgabe des Entrauschers
Bei jedem Rückwärtsschritt übernimmt ein einzelnes Netzwerk die Hauptarbeit. Seine Aufgabe lässt sich einfach beschreiben: Es betrachtet ein verrauschtes Bild und sagt das darin enthaltene Rauschen voraus.
Warum ein U-Net
Bei Diffusion wird fast immer ein U-Net verwendet, weil seine Ausgabe dieselbe Größe wie seine Eingabe hat: Es erhält ein verrauschtes Bild und gibt eine Rauschkarte aus.
Der schrumpfende Pfad
Der Encoder verringert die Auflösung des Bildes und erfasst bei kleiner Auflösung die grobe Struktur wie Formen und Anordnung.
Der wachsende Pfad
Der Decoder vergrößert die Auflösung anschließend wieder auf die ursprüngliche Größe und rekonstruiert feine Details, sodass das vorhergesagte Rauschen Pixel für Pixel übereinstimmt.
Skip Connections
Die U-Form entsteht durch Skip Connections, die Details vom Encoder zum Decoder weiterleiten, damit scharfe Kanten die Verkleinerung überstehen.
Den Zeitschritt eingeben
Das U-Net benötigt außerdem den Zeitschritt t, damit es weiß, ob es in dieser Phase viel oder nur wenig Rauschen entfernen soll.
Zeit-Embeddings
Dieser Zeitschritt wird in einen Vektor namens Time Embedding umgewandelt und als Konditionierungssignal in die Schichten des Netzwerks eingespeist.
t_emb = embed(timestep) # added inside each blockAttention in der Mitte
Viele U-Nets fügen bei der niedrigsten Auflösung Attention hinzu. Dadurch können weit voneinander entfernte Bildbereiche ihre Inhalte aufeinander abstimmen.
Ein Loss, ein Ziel
Beim Training wird das vorhergesagte Rauschen mit dem echten Rauschen durch einen einfachen MSE-Loss verglichen. Dieses eine Ziel genügt vollständig.
loss = mse(unet(x_t, t), true_noise)Dasselbe Netz bei jedem Schritt
Ein U-Net übernimmt alle Zeitschritte. Die Eingabe t teilt ihm mit, wie stark es das Bild gerade entrauschen soll.
Abziehen und wiederholen
Rauschen vorhersagen, einen Teil davon abziehen und das Ergebnis wieder eingeben. Durch diese Wiederholung nähert sich das U-Net einem sauberen Bild. 🖼️
Schnelltest
Welche Rolle spielen die Skip Connections des U-Net?
Zusammenfassung
Ein U-Net sagt bei jedem Schritt Rauschen voraus, nutzt Skip Connections für Details und ein Time Embedding, um den Zeitschritt zu bestimmen. Ein MSE-Loss trainiert das gesamte Modell. 🎉
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Rauschen mit einem U-Net vorhersagen“ kostenlos?
Ja — der vollständige Text von „Rauschen mit einem U-Net vorhersagen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Rauschen mit einem U-Net vorhersagen“?
Der Entrauscher im Zentrum der Diffusion. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „Rauschen mit einem U-Net vorhersagen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Vorwärtsrauschen und rückwärts entrauschen
- Rauschen mit einem U-Net vorhersagen
- Sampling-Pläne und Guidance
- Eine Pipeline mit Diffusers ausführen