Generative‑Diffusion

Toolkit modular para modelos de difusión generativos (imágenes color) con soporte para:

• Procesos VE‑SDE, VP‑SDE, SubVP‑SDE
• Samplers Euler‑Maruyama, Predictor–Corrector, Probability‑Flow ODE, Exponential‑Integrator
• Noise schedules lineal, coseno, constante
• Control de generación (class‑conditional, imputación)
• Métricas FID, IS, BPD

Instalación rápida

pip install generative-diffusion

Ejemplo mínimo

from generative_diffusion.utils import *
from generative_diffusion.diffusion import ModelFactory
from generative_diffusion.score_networks import ScoreNet

# Crear modelo de difusión utilizando el ModelFactory
diffusion_model = ModelFactory.create(
    score_model_class=ScoreNet,
    is_conditional=True,
    sde_name='ve_sde',
    sampler_name='euler_maruyama',
    # scheduler_name='linear',
)

# Cargar un modelo pre-entrenado
diffusion_model.load_score_model("../checkpoints/Diffusion_model_VESDE_is_conditional_True.pt")

# Generar imágenes
generated_images, labels = diffusion_model.generate(
    n_samples=8,
    n_steps=500,
)
# Mostrar imágenes generadas
show_images(generated_images, title="Dígitos generados con difusión", labels=labels)

Estructura de carpetas

generative_diffusion/   <-- código del paquete
demo_notebooks/         <-- ejemplos de uso
checkpoints/            <-- pesos entrenados opcionales
pyproject.toml
README.md

👥 Autores

• Manuel Muñoz Bermejo - [manuel.munnozb@estudiante.uam.es]
• Daniel Ortiz Buzarra - [daniel.ortizbuzarra@estudiante.uam.es]

Si utilizas este código en tus trabajos, por favor, cita a los autores y enlaza este repositorio.

Desarrollo

• Formateo: black .
• Linter: ruff check . --fix

Licencia

MIT