车辆重识别（2021NIPS在图像合成方面，扩散模型打败了gans网络）论文阅读2024/10/01
本文在架构方面的创新：
①增加注意头数量：
使用32⇥32、16⇥16和8⇥8分辨率的注意力，而不是只使用16⇥16
②使用BigGAN残差块
使用Big GAN残差块对激活进行上采样和下采样
③自适应组归一化层
将经过组归一化操作后的时间步和类嵌入到每个残差块
1，那么是如何对生成过程进行引导的？
2，那么具体来说，如何根据当前时刻xt的梯度，来调整xt？
在本文中介绍了两种算法用于分类器指导：
向分类器中输入xt，发现与真实类别匹配概率小，计算对xt的梯度，让xt以一定的包含梯度的步幅进行移动，使得匹配概率增加。其实这里有点像之前卷积神经网络中参数w更新的原理，w也是在梯度方向上移动，以此来使得loss值最小。但是这两种算法不是简单的对xt进行处理，①是对预测的均值μ进行处理，让均值μ在梯度方向上移动。②是对预测的噪声进行处理，让噪声在梯度方向上移动。另外，s可以叫做学习率，主要是控制在梯度方向上移动的步幅，和之前卷积神经网络中的w更新公式中的学习率差不多。
BigGAN残差块是什么意思？
注意力池是什么？
