Jun, 2021

D2C: 用于少样本有条件生成的扩散去噪模型

PDF
TL;DR本文描述了 Diffusion-Decoding (VAE) 模型，该模型使用经过学习的扩散先验来提高生成质量和对比自监督学习来提高表示质量，可以在仅有 100 个标记示例的情况下适应标记或约束条件的新生成任务，并在条件生成和图像操作中取得了优异的性能和速度。
conditional generative modelsdiffusion-decoding modelsfew-shot conditional image generationcontrastive self-supervised learningimage manipulation
发现论文，激发创造
  • 因果扩散自编码器：通过扩散概率模型实现反事实生成

    提出了 CausalDiffAE，一种基于扩散的因果表示学习框架，能够根据指定的因果模型实现反事实生成，并通过编码器从高维数据中提取语义上有意义的因果变量，以及使用神经网络参数化潜在因果变量之间的因果机制。

    Apr, 2024

  • 条件去噪漫扩散在顺序推荐中的应用

    本研究提出了一种 条件去噪扩散模型 以应对生成敌对网络和变分自编码器在顺序推荐任务中的挑战，通过将过程分成易于处理的步骤来简化优化和推荐任务，同时采用新的优化模式，模型能够生成高质量的序列 / 项目表示并防止折叠

    Apr, 2023

  • 变分扩散自编码器：具有无条件扩散先验的深层潜变量模型

    采用扩散模型集成编码器和无条件扩散模型的得分函数，消除了 VAE 图像模糊的问题，并显著提高了性能。

    Apr, 2023

  • 基于扩散模型的少样本图像合成的条件分布建模

    条件分布建模 (CDM) 是一种有效利用扩散模型进行少样本图像生成的框架，通过对用于条件化扩散过程的潜空间分布进行建模，CDM 利用训练数据的学习统计信息更好地近似未见类别的分布，从而消除因少样本样本数目限制而引起的偏见，同时我们还设计了一种新颖的基于反演的优化策略，进一步改进了近似的未见类别分布，确保生成样本与未见类别的准确性。我们在四个基准数据集上的实验结果表明了我们提出的 CDM 在少样本生成中的有效性。

    Apr, 2024

  • DiffuseVAE: 从低维潜变量中高效、可控、高保真生成

    提出了一种新的生成框架 DiffuseVAE，它将 VAE 与扩散建模框架相结合，为扩散模型提供了低维的 VAE 学习到的潜在代码，从而能够用于控制合成等下游任务，并且在速度与质量的平衡方面比标准无条件 DDPM / DDIM 模型要好，同时表现出与最先进的模型可比的综合质量，还显示出天生的对不同类型的噪声具有泛化能力。

    Jan, 2022

  • DiVAE：具有去噪扩散解码器的真实感图像合成

    该研究提出了一种使用 VQ-VAE 和扩散解码器的 DiVAE 图像生成模型，相关实验结果表明该模型能够生成高度逼真的图像，特别适用于条件综合任务。

    Jun, 2022

  • 跨模态音乐和图像生成的离散对比扩散

    通过提高输入与输出的互信息，利用条件离散对比扩散 (CDCD) 损失和两种对比扩散机制，将对比学习和传统变分目标相结合，我们成功地提高了多模式条件综合生成模型的输入输出对应性并取得了良好的结果。

    Jun, 2022

  • 使用去噪器表征从无条件扩散模型生成条件数据

    本文提出使用去噪扩散模型的内部表示来适应新条件，以解决向这些模型提供条件信息的难题，并演示如何使用生成的合成图像增强 Tiny ImageNet 训练集从而提高 ResNet 基线的分类精度。

    Jun, 2023

  • 基于扩散的表示学习

    提出了一种基于扩散的表示学习方法，通过扩展去噪得分匹配框架实现无监督学习；使用此方法学习无限维潜在码，实现半监督图像分类的最优结果，并通过下游任务的表现比较与其他方法的学习表示质量。

    May, 2021

  • Dior-CVAE: 变分对话生成中的扩散先验

    提出了一种使用扩散模型产生信息量丰富的先验分布的分层条件变分自动编码器（Hierarchical CVAE），并使用注意机制将生成的潜变量逐层注入解码器，使用记忆丢弃解决后验崩溃问题。实验表明，与基于变分的 Transformer 模型相比，该方法在对话生成方面具有优势。

    May, 2023