通过使用潜在扩散模型进行无监督插值，我们在降噪、文本嵌入和主题姿势上实现了一致而令人信服的图像插值，而传统的数量指标如 FID 则无法准确度量插值质量。

Jul, 2023

本文探讨 fine-tuned 模型参数的线性插值，为可控文本生成提供了可能。

Nov, 2022

本文提出一种新的插值方法和质心评估技术，定义了一种新的非欧几里得度量，基于范数先验来插值 Seed。实验表明，这种新的技术显著提高了图像生成的稀有概念和少量数据学习性能。

Jun, 2023

在微分方程生成建模领域中，我们首次引入了一种多维插值器，将这些系数扩展到多个维度上，在训练和推理阶段都使用单一维度标量值作为插值系数。此外，我们提出了一个新的路径优化问题，用于自适应确定多维推理轨迹，其中包括预定的微分方程求解器和固定数量的函数评估。我们的解决方案使用模拟动态和对抗性训练来优化推理路径。特别地，即使在没有路径优化的情况下，使用多维插值器在训练过程中也能提高模型的推理性能。当使用由我们的优化过程导出的自适应多维路径时，即使使用固定的求解器配置，也能进一步提高性能。多维插值器的引入不仅增强了模型的有效性，还开辟了在训练和推理方法论中探索的新领域，强调了多维路径作为一个未开发的前沿。

Apr, 2024

通过将环境空间视为黎曼多维流形，可以利用相关的黎曼度量对领域知识进行编码，通过环境度量的仔细设计我们可以确保最短路径的行为表现良好，实验结果表明，我们的方法可以提高随机和确定性生成器的可解释性。

Aug, 2020

本文提出了一种基于三个特定损失的新训练协议，并提出了一种新的评估度量来正确衡量 I2I 翻译模型的潜在风格空间的平滑性，实验结果表明该方法可以显著提高生成图像的质量和插值的渐进性。

Jun, 2021

该论文提出了一种基于几何距离曲线的数据插值方法，并在此基础上提出了一种新的密度正则化器，该正则化器可以避免插值路径穿过低密度区域，从而提高插值结果的质量，该方法在真实世界图像数据集上得到了一致优于之前研究的结果。

Jan, 2019

本文提出一种基于生成模型的元任务生成方法，称为 LAtent Space Interpolation Unsupervised Meta-learning (LASIUM)，通过从潜在空间中生成分组成群的对象，构建元任务的训练和验证数据，应用于少样本分类任务中的实验表明其性能优于或与当前无监督学习基线相竞争，并且该方法不需要手工调整，扩展性高。

Jun, 2020

使用线性权重插值的自适应方法来控制和适应大型语言模型，以实现对模型输出的可预测且精细的控制。

Apr, 2024

通过学习解释多种概率密度函数的联合分布，该研究提出了一种多边际生成建模问题的方法，该方法在随机插值框架的扩展中，通过测度的动态传输构建高效的学习算法，并在多边际视角下提取多边对应关系，从而在风格转换、算法公平性和数据修复等应用中发挥作用。

Oct, 2023