okjeong10

이 강의는 확산모델(Diffusion Model)의 진화 과정을 논문과 코드로 완전 정복하는 실전 중심 마스터클래스입니다.

DDPM(Denoising Diffusion Probabilistic Model)과 DDIM 등, 생성 AI의 핵심 모델들을 논문 원리부터 직접 구현하며 학습합니다.

각 모델의 등장 배경, 수식, 네트워크 구조(U-Net, VAE, Transformer), 학습 과정(Noise Schedule, Denoising Step), 그리고 성능 향상을 이끈 아이디어들을 단계별로 분석합니다.수강생은 모든 모델을 PyTorch 기반으로 직접 코딩하며, 논문을 이해하는 것에 그치지 않고 ‘재현하고 응용할 수 있는 실무 능력’을 얻게 됩니다.

또한, 모델 간의 차이와 발전 흐름을 비교하며, 어떻게 확장되는지를 명확히 이해하게 됩니다.

이 강의는 이론·코드·실습을 하나로, 연구자·개발자·창작자 모두에게 생성모델의 진화를 체계적으로 익힐 수 있는 여정을 제공합니다.

논문을 ‘읽는 것’을 넘어, 직접 구현하며 ‘이해하고 재창조’하는 경험을 지금 시작하세요.

Sotaaz

DDPM 부터 DDIM 까지, 구현하며 배우는 Diffusion 완전정복 I

실습 중심

생성형ai

트랜스포머

Stable Diffusion

This course is a hands-on masterclass that completely conquers the evolution of Diffusion Models through papers and code implementation.

You'll learn the core models of generative AI, including DDPM (Denoising Diffusion Probabilistic Model) and DDIM, by studying the paper principles and implementing them directly.

We analyze step-by-step the background of each model's emergence, mathematical formulations, network architectures (U-Net, VAE, Transformer), training processes (Noise Schedule, Denoising Step), and the ideas that led to performance improvements. Students will directly code all models using PyTorch, gaining not just paper comprehension but 'practical skills to reproduce and apply' them in real-world scenarios.

Additionally, by comparing the differences between models and their developmental flow, you'll clearly understand how they expand and evolve.

This course integrates theory, code, and practice into one comprehensive journey, providing researchers, developers, and creators alike with a systematic way to master the evolution of generative models.

Beyond simply 'reading' papers, start your experience of 'understanding and recreating' through direct implementation now.