Prédire le bruit avec un U-Net
Le débruiteur au cœur de la diffusion.
Prédire le bruit avec un U-Net est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
The Denoiser's Job
At every reverse step a single network does the heavy lifting. Its job is simple to state: look at a noisy image and predict the noise inside it.
Why a U-Net
Diffusion almost always uses a U-Net, because its output is the same size as its input: a noisy image in, a noise map out.
The Shrinking Path
The encoder downsamples the image, capturing big-picture structure like shapes and layout at a small resolution.
The Growing Path
The decoder then upsamples back to full size, rebuilding fine detail so the predicted noise lines up pixel for pixel.
Skip Connections
The U shape comes from skip connections that pass detail from encoder to decoder, so sharp edges survive the squeeze.
Feeding the Timestep
The U-Net also needs the timestep t, so it knows whether to remove a lot of noise or just a little at this stage.
Time Embeddings
That timestep is turned into a vector called a time embedding and mixed into the network's layers as a conditioning signal.
t_emb = embed(timestep) # added inside each blockAttention in the Middle
Many U-Nets add attention at the lowest resolution, letting distant regions of the image coordinate their content.
One Loss, One Target
Training compares the predicted noise to the real noise with simple MSE loss. That single objective is all it takes.
loss = mse(unet(x_t, t), true_noise)Same Net, Every Step
One U-Net handles all timesteps. The t input is what tells it how aggressively to denoise right now.
Subtract and Repeat
Predict noise, subtract a slice of it, feed the result back in. Repeating this is how the U-Net walks toward a clean image. 🖼️
Quick Check
What role do the U-Net's skip connections play?
Recap
A U-Net predicts noise at every step, using skip connections for detail and a time embedding to gauge the timestep. One MSE loss trains it all. 🎉
Questions Fréquemment Posées
La leçon « Prédire le bruit avec un U-Net » est-elle gratuite ?
Oui — le texte complet de « Prédire le bruit avec un U-Net » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Prédire le bruit avec un U-Net » ?
Le débruiteur au cœur de la diffusion. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Prédire le bruit avec un U-Net » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Ajout de bruit direct et débruitage inverse
- Prédire le bruit avec un U-Net
- Calendriers d’échantillonnage et guidage
- Exécuter un pipeline avec Diffusers