Stanford CME296 Diffusion & Large Vision Models | Spring 2026 | Lecture 8 - Trending Topics

摘要

本課程最後一講回顧了擴散模型、分數匹配、流匹配等核心概念，並延伸至影片生成與大語言模型的應用。觀眾可掌握從雜訊到清晰影像的生成原理，並了解當前領域的前沿挑戰與資源。

A final lecture recap on diffusion models and their extensions to video generation and LLMs.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 回顧擴散模型、分數匹配與流匹配的生成原理。
• 探討影片生成中的時間一致性與模型收斂挑戰。
• 提供 GitHub 程式碼、Twitter 社群與相關課程資源。

章節

依話題轉折切分，標題由 AI 產生

1. 00:00Introduction
2. 01:38Diffusion
3. 05:23Score matching
4. 13:02Flow matching
5. 19:04Latent space and guidance
6. 25:11Image generation architectures
7. 29:47Model training
8. 37:23Evaluation
9. 44:28State-of-the-art models
10. 55:03Video generation models
11. 1:12:51Image editing
12. 1:20:35Diffusion for LLMs
13. 1:38:54Closing thoughts

適合誰看

正在學習生成式 AI 理論或希望了解擴散模型與影片生成前沿的學生與研究者。

摘要依據

依據

人工字幕

為什麼排在這裡

人氣

0.74

新鮮

0.62

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Stanford CME296 Diffusion & Large Vision Models | Spring 2026 | Lecture 7 - Evaluation影片 ・ Stanford Online ・ 1 小時 41 分（在新分頁開啟原站）
• Stanford CS229 Machine Learning | Spring 2026 | Lecture 11: Diffusion Models影片 ・ Stanford Online ・ 1 小時 23 分（在新分頁開啟原站）
• The Race to Production-Grade Diffusion LLMs with Stefano Ermon - #764Podcast ・ The TWIML AI Podcast ・ 1 小時 3 分
• MIT 6.S191 (2024): Deep Generative Modeling影片 ・ Alexander Amini ・ 56 分鐘（在新分頁開啟原站）
• MIT 6.S191: Deep Generative Modeling影片 ・ Alexander Amini ・ 50 分鐘（在新分頁開啟原站）
• Flow-Matching vs Diffusion Models explained side by side影片 ・ AI Coffee Break with Letitia ・ 16 分鐘（在新分頁開啟原站）