Voorspel de ruis met een U-Net
De denoiser vormt het hart van diffusion.
Voorspel de ruis met een U-Net is een gratis Deep Learning Academy-les op CoddyKit. Dit is les 2 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Deep Learning Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Deep Learning Academy bevat in totaal 4 lessen.
De taak van de ruisverwijderaar
Bij elke omgekeerde stap doet één netwerk het meeste werk. De taak is eenvoudig te omschrijven: bekijk een afbeelding met ruis en voorspel de ruis erin.
Waarom een U-Net
Diffusie gebruikt bijna altijd een U-Net, omdat de uitvoer even groot is als de invoer: een afbeelding met ruis erin en een ruiskaart eruit.
Het verkleinende pad
De encoder verkleint de afbeelding en legt structuren op hoofdlijnen vast, zoals vormen en indeling, op een kleine resolutie.
Het vergrotende pad
De decoder schaalt daarna terug naar de volledige grootte en herbouwt fijne details, zodat de voorspelde ruis pixel voor pixel uitgelijnd is.
Overslaande verbindingen
De U-vorm ontstaat door overslaande verbindingen die details van de encoder naar de decoder doorgeven, zodat scherpe randen de verkleining overleven.
De tijdstap invoeren
De U-Net heeft ook de tijdstap t nodig, zodat het weet of het in deze fase veel of slechts weinig ruis moet verwijderen.
Tijdsinbeddingen
Die tijdstap wordt omgezet in een vector die een tijdsinbedding wordt genoemd en als conditioneringssignaal door de lagen van het netwerk gemengd.
t_emb = embed(timestep) # added inside each blockAandacht in het midden
Veel U-Nets voegen aandacht toe op de laagste resolutie, zodat ver uit elkaar liggende gebieden van de afbeelding hun inhoud op elkaar kunnen afstemmen.
Eén verlies, één doel
Tijdens het trainen wordt de voorspelde ruis met eenvoudige MSE-verliesfunctie vergeleken met de echte ruis. Dat ene doel is voldoende.
loss = mse(unet(x_t, t), true_noise)Hetzelfde netwerk voor elke stap
Eén U-Net verwerkt alle tijdstappen. De invoer t vertelt het hoe sterk het op dit moment ruis moet verwijderen.
Aftrekken en herhalen
Voorspel ruis, trek er een deel van af en voer het resultaat opnieuw in. Door dit te herhalen beweegt de U-Net naar een schone afbeelding. 🖼️
Snelle controle
Welke rol spelen de overslaande verbindingen van de U-Net?
Samenvatting
Een U-Net voorspelt bij elke stap ruis, gebruikt overslaande verbindingen voor details en een tijdsinbedding om de tijdstap te bepalen. Eén MSE-verliesfunctie traint het geheel. 🎉
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Voorspel de ruis met een U-Net” gratis?
Ja — de volledige tekst van “Voorspel de ruis met een U-Net” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Deep Learning Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Deep Learning Academy bevat in totaal 4 lessen.
Wat leer ik in “Voorspel de ruis met een U-Net”?
De denoiser vormt het hart van diffusion. Je oefent met Deep Learning Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Deep Learning Academy te beginnen?
Ervaring vooraf is niet nodig. Deep Learning Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 2 van 4.
Hoe lang duurt de les “Voorspel de ruis met een U-Net”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Deep Learning Academy?
Ja. Elke les over Deep Learning Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Voorwaartse ruis en omgekeerde denoising
- Voorspel de ruis met een U-Net
- Sampling-schema's en guidance
- Een pipeline uitvoeren met Diffusers