E020_Generar imágenes mediante ¿principios termodinámicos?

🎨 ¿Te imaginas generar imágenes de alta calidad utilizando principios de la termodinámica? En este episodio, desglosamos el paper fundamental de Jonathan Ho, Ajay Jain y Pieter Abbeel que ha impulsado una revolución en la síntesis de imágenes. Exploramos los Modelos Probabilísticos de Difusión de Eliminación de Ruido (Denoising Diffusion Probabilistic Models), una clase fascinante de modelos de variables latentes que, inspirados en la termodinámica del no equilibrio, aprenden a revertir el ruido para reconstruir datos visuales complejos con una fidelidad asombrosa. 🌪️ 🚀 Descubre cómo estos modelos logran una calidad de muestra que rivaliza con las potentes ProgressiveGAN en LSUN y obtienen puntuaciones FID de vanguardia (3.17) en CIFAR10. Analizaremos su novedosa conexión con la dinámica de Langevin y el emparejamiento de puntuación de eliminación de ruido, además de explicar su esquema de descompresión progresiva que generaliza la decodificación autorregresiva. ¡Dale al play para entender la ciencia exacta detrás de la magia de la generación de imágenes! 🎧✨ Fuentes: Denoising Diffusion Probabilistic Models (arXiv:2006.11239)