U-Netでノイズを予測する
拡散モデルの中心となるノイズ除去器を学びます
「U-Netでノイズを予測する」はCoddyKit上の無料Deep Learning Academyレッスンです。 これはレッスン2/4です。 下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。 これはDeep Learning Academy学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 Deep Learning Academyコースには全4レッスンが含まれています。
このレッスンの一部はまだ翻訳されておらず、英語で表示されています。
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. 🎉
よくある質問
「U-Netでノイズを予測する」レッスンは無料ですか？
はい。「U-Netでノイズを予測する」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、Deep Learning Academyコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 Deep Learning Academyコースには全4レッスンが含まれています。
「U-Netでノイズを予測する」で何を学びますか？
拡散モデルの中心となるノイズ除去器を学びます ブラウザで直接実行するハンズオンコードでDeep Learning Academyを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。
Deep Learning Academyを始めるのに経験は必要ですか？
事前経験は必要ありません。CoddyKitのDeep Learning Academyは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。 これはレッスン2/4です。
「U-Netでノイズを予測する」レッスンにはどのくらい時間がかかりますか？
ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。
このDeep Learning Academyレッスンでコードを書いて実行できますか？
はい。すべてのDeep Learning Academyレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。