DIFFUSION MODEL을 다양한 분야에 적용하는 방법을 포괄적으로 소개하며, AIGC（AI Generated Content: 인공지능 생성 콘텐츠）와 관련 기술, 확산 모델의 기초, 확산 모델의 효율적인 샘플링, 확산 모델의 가능성 극대화, 특수 구조를 가진 데이터에 확산 모델 적용, 확산 모델과 다른 생성 모델과의 상관관계, 확산 모델의 응용, 확산 모델의 미래 등을 다루며, 확산 모델의 주요 연구 분야를 파악하는 데 도움이 될것입니다.

이 책의 구성은 다음과 같습니다.
1장에서는 AIGC와 관련 기술을 소개하고, 2장에서는 디퓨전 모델의 기본 이론과 알고리즘을 세 가지 관점에서 소개하며, 디퓨전 모델을 위한 신경망 아키텍처와 코드 실습을 소개합니다.
3장, 4장, 5장에서는 각각 디퓨전 모델의 효율적인 샘플링, 디퓨전 모델의 가능성 극대화, 특수한 구조를 가진 데이터에 대한 디퓨전 모델 적용이라는 세 가지 관점에서 디퓨전 모델
의 특징과 그에 따른 개선 작업을 체계적으로 소개합니다.
6장에서는 디퓨전 모델과 변형 자동 코더, 생성적 적대 네트워크, 정규화된 흐름, 자동 회귀 모델, 에너지 기반 모델 등 다른 생성 모델과의 관련성에 대해 설명합니다.
7장에서는 디퓨전 모델의 응용 사례를 소개합니다. 8장에서는 디퓨전 모델의 미래인 GPT와 대형모델에 대해 설명합니다.

이 책은 컴퓨터 과학, 인공지능, 머신러닝을 전공하는 학생들과 빅데이터 및 인공지능 애플리케이션 개발자를 위해 집필되었습니다. 학부생, 대학원생, 교수진, 그리고 연구 기관의 연구원들에게도 유용하게 활용될 수 있을 것입니다

북경대학교에서 박사 학위를 받았으며, 연구 분야는 머신러닝과 생성 AI입니다. ICML, CVPR 등 유명 AI 학회 및 저널에 단독 저자로 여러 편의 논문을 발표했습니다. TPAMI, ICML, NeurIPS, CVPR, KDD, AAAI 등 여러 학회와 저널의 프로그램 위원 및 심사위원으로 장기간 활동했으며, 현재 OpenAI, 스탠포드 대학교 및 기타 AI 연구 기관과 장기적인 협력을 진행하고 있습니다.