Score-Based Generative Models và những tiến bộ mới

Score-Based Generative Models và những tiến bộ mới

Chào mừng các bạn đã quay trở lại với blog! Trong bài viết hôm nay, chúng ta sẽ cùng nhau khám phá một trong những hướng đi đột phá nhất của AI tạo sinh: Score-Based Generative Models. Thay vì học trực tiếp phân phối dữ liệu, các mô hình này học cách "dẫn đường" cho nhiễu ngẫu nhiên để biến nó thành dữ liệu có ý nghĩa, tạo ra những hình ảnh và nội dung với chất lượng đáng kinh ngạc. Đây cũng chính là công nghệ nền tảng đằng sau các mô hình khuếch tán (diffusion models) đình đám hiện nay.

Lưu ý nhỏ trước khi đọc: Do trình soạn thảo của Blogger không xử lý tốt các công thức toán học phức tạp nên để đảm bảo trải nghiệm đọc tốt nhất và giữ nguyên định dạng gốc,blog này mình đã nhúng toàn bộ nội dung bài viết ở ngay phía dưới.

Phần lớn bài viết sẽ giải thích cách hoạt động của Score-Based Generative Models (từ Score Matching, Langevin Dynamics đến SDE). Tuy nhiên, nếu không có nhiều thời gian hoặc muốn tìm hiểu các ý chính, bạn hoàn toàn có thể lướt qua phần này và đọc các mục mở rộng cũng rất thú vị bên dưới, ví dụ như:

  • Mối liên hệ với Diffusion Models.
  • Những cải tiến đáng chú ý trong giai đoạn 2021–2025.
  • Ứng dụng cho các bài toán ngược (Inverse Problems).

Bài viết được mình tổng hợp khá dài với mong muốn cung cấp cho các bạn một góc nhìn tổng quan và hữu ích nhất. Nếu bạn thích bài viết này, hãy giúp mình một lượt chia sẻ và để lại bình luận ở dưới nhé.

Và giờ thì, chúc các bạn đọc blog vui vẻ!

Nội dung nhúng (PDF)

Mở PDF trong tab mới

Nhận xét

Đăng nhận xét

Bài đăng phổ biến từ blog này

Tổng hợp bài báo: "Multimodal Large Language Models: A Survey"

Hình ảnh
  Tổng quan và luận điểm chính của bài viết Bài khảo sát "Multimodal Large Language Models" (2023) cung cấp cái nhìn tổng quan và hệ thống về sự phát triển của các mô hình ngôn ngữ lớn đa phương thức (Multimodal Large Language Models – MLLMs). Tác giả nhấn mạnh rằng các mô hình ngôn ngữ lớn truyền thống (LLM) chủ yếu chỉ xử lý văn bản, do đó bị hạn chế khi gặp dữ liệu dạng khác (hình ảnh, âm thanh, video). Các LLM thuần văn bản như GPT-3, BERT, RoBERTa đạt kết quả tốt trong sinh và hiểu ngôn ngữ, nhưng thiếu khả năng nhận thức các loại dữ liệu phi văn bản [1] . Để khắc phục, các LLM đa phương thức tích hợp nhiều dạng dữ liệu (ví dụ kết hợp hình ảnh + văn bản), vượt qua giới hạn của mô hình thuần văn bản và mở ra khả năng xử lý nhiều dạng thông tin phong phú hơn [2] . GPT-4 được nêu làm ví dụ điển hình về MLLM: mô hình này có thể nhận cả ảnh và văn bản làm đầu vào, đạt chất lượng gần mức con người trên nhiều bài kiểm tra, cho thấy sức mạnh của việc tích hợp đa phương thứ...
Đọc thêm

Tổng quan về Cell Tracking Challenge sau 10 năm

  Bối cảnh cá nhân Chào các bạn độc giả! Mình là một sinh viên đang tìm hiểu sâu về lĩnh vực theo dõi tế bào (cell tracking). Trong quá trình học tập, mình nhận thấy “The Cell Tracking Challenge” (CTC) là một challenge rất nổi tiếng trong cộng đồng nghiên cứu, được biết đến với bộ dữ liệu đa dạng, tiêu chí đánh giá khách quan và hệ thống xếp hạng minh bạch. Tuy nhiên, việc nắm bắt toàn diện về cấu trúc, cách thức đánh giá và những điểm quan trọng của Challenge này không hề dễ dàng, nhất là với những người mới bắt đầu. Chính vì vậy, mục đích của bài viết này là cung cấp một cái nhìn tổng quan, rõ ràng và dễ hiểu về CTC, dựa trên những gì tôi đã tổng hợp và nghiên cứu. Bài viết này dựa trên thông tin từ nhiều nguồn, đặc biệt là bài báo " The Cell Tracking Challenge: 10 years of objective benchmarking " được đăng trên Nature Methods. Hy vọng rằng, thông qua đây, chúng ta có thể cùng nhau tiếp cận Challenge một cách hiệu quả hơn, từ đó thúc đẩy các nghiên cứu và ứng dụng trong lĩ...
Đọc thêm