All

本篇是论文精读系列的第五篇。StoryDiffusion是非常经典的免训练方法。深入研读其核心公式（如 Vi = \text{CrossAttention}(Vi, \text{concat}(T, Pi), \text{concat}(T, Pi))），理解多张图片在计算注意力张量时是如何沿特定维度拼接的。 前置知识

本篇是论文精读系列的第四篇。IP-Adapter是一个极其轻量且优雅的创新，目前在图像生成领域的实际应用中地位非常核心，因此这篇论文非常有价值，值得去精读。 前置知识基石 LDM IP-Adapter 是构建在预训练的文本到图像扩散模型基础之上的，论文中使用的是 Stable Diffusion v1.5。相较于 DD

本篇是论文精读系列的第三篇。ControlNeXt 的目的是让生成模型更好地融入空间控制信息。文章提出的轻量卷积模块+部分微调技术使得控制信息的注入既轻量，控制力又强；文章使用的“交叉归一化”很好地解决了新增模块时出现的训练崩溃现象。是一篇非常有价值的论文。 前置知识与研究动机 扩散模型基础回顾 LDM 最原始的 DD

本篇是论文精读系列的第二篇。论文《Scalable Diffusion Models with Transformers》证明了在生成模型领域，Transformer 完全可以取代 U-Net，这让计算机视觉和自然语言处理在底层架构上进一步走向了统一。 核心前置理论 隐空间扩散模型（LDM） 原始的 DDPMDDPM是

本文是论文精读系列的第一篇，论文《Denoising Diffusion Probabilistic Models》是图像生成领域中扩散模型的开山之作，也是目前常用的生成模型的根基。本文旨在从具备一定高数、线代、概率论基础，对深度学习基础模型有较多了解的本科生角度出发，全面解读这篇论文，以求对这篇论文的思想、数学原理、

本文为 gemini3.1pro 所写，笔者未进行任何修改，只写了这一段话。 历时几天的折腾，终于把我一直心心念念的记账 App —— Cyber-Ledger (赛博账本) 给敲出来了。没有花哨的云同步强制绑定，也没有各种冗杂的社区和广告，这只是一款单纯查账、记账的本地应用。 缘起 其实一开始也没想搞个这么个东西，只

用来安排每天的学习内容，每天晚上更新。 大纲 1. 概率统计基础 2. 《计算机教育中缺失的一课》十讲 3. 安装Linux 双系统并熟悉操作 4. 练习 Deep Learning 代码 5. 学习 HTML、CSS 6. 阅读图像生成领域的最新文献 每日计划 2.13 - [x] 安装 ubuntu22.04 系统

这是笔者在复习机械工程基础时针对需要背诵的概念的总结。 标题1

这是笔者在复习数据库时针对需要背诵的概念进行的总结。 标题1

这是笔者在学习大学计算机时80道作业题的C语言源码，供需要的读者参考，读者可以点击文末按钮下载。 预览