重要论文与研究
Denoising Diffusion Probabilistic Models
这篇论文提出了去噪扩散概率模型(DDPM)，为现代AI绘画的扩散模型奠定了基础。该模型通过逐步去噪过程生成高质量图像，已成为当前AI绘画领域的主流方法之一。
查看论文全文 →High-Resolution Image Synthesis with Latent Diffusion Models
潜在扩散模型(LDM)通过将扩散过程应用于潜在空间而非像素空间，大幅降低了计算成本，实现了高质量、高分辨率图像的生成，是Stable Diffusion等流行模型的基础。
查看论文全文 →Generative Adversarial Networks
这篇开创性论文提出了生成对抗网络(GANs)，通过生成器和判别器的对抗训练生成逼真图像。GANs为AI绘画的早期发展奠定了理论基础，催生了大量后续研究。
查看论文全文 →DALL-E 2: Hierarchical Text-Conditional Image Generation with CLIP Latents
DALL-E 2结合CLIP模型和扩散模型，实现了从文本描述生成高度匹配、多样且逼真图像的能力。该模型展示了大规模多模态模型在AI绘画领域的巨大潜力。
查看论文全文 →AI绘画主要研究方向
- 生成模型架构：包括GANs、VAEs、扩散模型、自回归模型等不同的生成模型设计
- 文本到图像生成：基于自然语言描述生成对应图像，如DALL-E系列、Stable Diffusion等
- 图像到图像转换：将一种类型的图像转换为另一种类型，如风格迁移、图像修复、超分辨率等
- 可控生成：通过条件控制（如草图、分割图、姿态等）指导图像生成过程
- 评价指标与评估：研究如何客观评估生成图像的质量、多样性和真实性