1. 图像生成的基本思路： 图像生成的目标是让计算机画出新图像，但计算机并不知道怎么直接画图。所以，我们需要一种方法来指导计算机。这里的核心方法是使用 随机数 来产生图像。具体来说，我们会生成一个随机的向量，这个向量遵循正态分布，神经网络负责把这些随机数“转译”成一张图片。这就好比给神经网络一串密码
卷积神经网络发展历程 早期探索（1980年代） 在1980年代初， \text{福岛邦彦（Kunihiko Fukushima）} 提出了带有卷积层和池化层结构雏形的神经网络，但由于当时计算能力有限，网络较难在大规模数据上取得突破性成果。 LeNet 的出现（1990年代末） 1998年， \tex
背景问题： 扩散模型：生成质量高，但存在两个缺点：① 缺乏低维、可解释的潜在空间；② 生成速度较慢。 VAE：具有低维潜在空间，可以解释和操控生成，但生成图像质量较差。 因此提出了 DiffuseVAE，将VAE嵌入到扩散模型框架中，并设计了新的条件参数化方法，使扩散模型能够利用VAE推导的低维潜在
第一章: 介绍 1.1 无监督学习概述 1.1.1 有监督学习 有监督学习，就是数据集有样本有标签，其目标是学习 x 到 y 的映射，相当于告诉正确答案，如果训练中做错了就根据答案调整一下。 1.1.2 无监督学习 无监督学习，数据没有类标，那就不是映射了，其目标就是找到隐含在数据里的模式和结构，常
