https://github.com/pintamonas4575/tfg-diffusion-model-customdataset

Creación en Pytorch de un modelo de difusión para generación incondicional de imágenes con un dataset propio.
https://github.com/pintamonas4575/tfg-diffusion-model-customdataset

attention-mechanism cnn cosine-scheduler cuda custom-dataset ddim deep-learning diffusion-models gpu image-generation pytorch

Last synced: about 2 months ago
JSON representation

Creación en Pytorch de un modelo de difusión para generación incondicional de imágenes con un dataset propio.

• Host: GitHub
• URL: https://github.com/pintamonas4575/tfg-diffusion-model-customdataset
• Owner: pintamonas4575
• License: mit
• Created: 2024-03-12T07:58:04.000Z (about 1 year ago)
• Default Branch: main
• Last Pushed: 2024-06-13T22:06:26.000Z (12 months ago)
• Last Synced: 2025-02-14T11:05:29.542Z (4 months ago)
• Topics: attention-mechanism, cnn, cosine-scheduler, cuda, custom-dataset, ddim, deep-learning, diffusion-models, gpu, image-generation, pytorch
• Language: Jupyter Notebook
• Homepage: https://oa.upm.es/82193/
• Size: 92 MB
• Stars: 1
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

        
# TFG-Diffusion-Model-CustomDataset

Creación en Pytorch de un modelo de difusión para generación incondicional de imágenes con un dataset propio.

Se ha creado un modelo que sigue el estándar DDIM sobre un *dataset* local de imágenes.

🙋‍♂️ Los archivos de este repositorio pertenecen al **TFG** de **Alejandro Mendoza Medina**.

----------------------

# 📓 Notebook *DDIM_50_steps*

Este notebook es el corazón de la creación y entrenamiento del modelo de difusión. Se ha hecho uso del algoritmo DDIM (***D**enoising **D**iffusion **I**mplicit **M**odels*) con *noise scheduler* de tipo coseno. Se ha entrenado con 1000 *timesteps* pero la generación se ha hecho con 50 pasos, gracias a la ventaja de flexibilidad frente al algoritmo DDPM (***D**enoising **D**iffusion **P**robabilistic **M**odels*).

Se ha entrenado durante 580 *epochs*, tardando 87 horas en completar el entrenmiento.

# 📓 Notebook *DDIM_pruebas_generación*

Este notebook presenta la evolución de una semilla a lo largo de los *epochs*, así como distintas pruebas de generación. 

# 📂 Carpeta "generated-samples"

En esta carpeta se encontrarán ejemplos generados por el modelo.

# ⚖️ Licencia

Hay algún proceso "difuminado" en la burocracía de España que hace que vaya muy lenta. 

# 👤 Contacto

Cualquier duda o sugerencia contactar con el autor:

Alejandro Mendoza: [email protected]