This is the Windows app named Guided Diffusion whose latest release can be downloaded as guided-diffusionsourcecode.tar.gz. It can be run online in the free hosting provider OnWorks for workstations.
Download and run online this app named Guided Diffusion with OnWorks for free.
Следуйте этим инструкциям, чтобы запустить это приложение:
- 1. Загрузил это приложение на свой компьютер.
- 2. Введите в нашем файловом менеджере https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.
- 3. Загрузите это приложение в такой файловый менеджер.
- 4. Запустите любой онлайн-эмулятор OS OnWorks с этого сайта, но лучше онлайн-эмулятор Windows.
- 5. В только что запущенной ОС Windows OnWorks перейдите в наш файловый менеджер https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.
- 6. Скачайте приложение и установите его.
- 7. Загрузите Wine из репозиториев программного обеспечения вашего дистрибутива Linux. После установки вы можете дважды щелкнуть приложение, чтобы запустить его с помощью Wine. Вы также можете попробовать PlayOnLinux, необычный интерфейс поверх Wine, который поможет вам установить популярные программы и игры для Windows.
Wine - это способ запустить программное обеспечение Windows в Linux, но без Windows. Wine - это уровень совместимости с Windows с открытым исходным кодом, который может запускать программы Windows непосредственно на любом рабочем столе Linux. По сути, Wine пытается заново реализовать Windows с нуля, чтобы можно было запускать все эти Windows-приложения, фактически не нуждаясь в Windows.
СКРИНШОТЫ
Ad
Направляемая диффузия
ОПИСАНИЕ
The guided-diffusion repository is centered on diffusion models for image synthesis, with a focus on classifier guidance and improvements over earlier diffusion frameworks. It is derived from OpenAI’s improved-diffusion work, enhanced to include guided generation where a classifier (or other guidance mechanism) can steer sampling toward desired classes or attributes. The code provides model definitions (UNet, diffusion schedules), sampling and training scripts, and utilities for guidance and evaluation. A key insight is that combining diffusion sampling with classifier gradients allows fine control over the generated images, trading off diversity vs fidelity. The repository includes scripts such as image_train.py, image_sample.py, and classifier_train.py to train diffusion models, generate samples, and train guiding classifiers. It also ships with precomputed evaluation batches and baseline comparisons to support reproducible benchmarking of new models.
Особенности
- Diffusion model architecture (UNet, noise schedules, training utilities)
- Classifier-guided sampling: combining diffusion with classifier gradients
- Scripts for training models (image_train.py), sampling (image_sample.py), and classifier training
- Precomputed evaluation batches and baseline metrics for reproducibility
- Modular code enabling new guidance modalities or architectural tweaks
- Branching from improved-diffusion with enhancements in guided generation
Язык программирования
Питон
Категории
This is an application that can also be fetched from https://sourceforge.net/projects/guided-diffusion.mirror/. It has been hosted in OnWorks in order to be run online in an easiest way from one of our free Operative Systems.
