本文提出了一种基于扩散算法生成图像的模型,将前向热方程的解释为噪声后的扩散潜变量模型的变分近似。其具有整体颜色和形状解耦的性质,同时通过自然图像上的谱分析,揭示了其暗含的自上而下的归纳偏置。
Jun, 2022
通过将扩散模型推广到旋转坐标系并引入模糊扩散,本文提出了一种新的粗到细的图像生成过程,以此来考虑图像中不同频率的相对重要性,实验结果表明此方法在 LSUN 卧室和教堂数据集上的成果优于之前的方法。
Jul, 2022
本研究提出两种方法来扩展扩散模型至通过不等式约束定义的流形,包括基于对数障碍度量的失真度量以及基于反射布朗运动的失真度量,在合成和真实任务中进行了实证表明,包括蛋白质骨架和机器人臂运动的约束构象模拟。
Apr, 2023
本文提出了一种基于 Gamma 噪声的去噪扩散 Gamma 模型(DDGM),并通过图像和语音生成任务验证了其性能优于传统的基于高斯噪声的扩散模型。
Oct, 2021
本综述为关于应用于计算机视觉的去噪扩散模型文章提供了全面的回顾,包括在领域中的理论和实际贡献,提供了三种通用扩散建模框架,并介绍了扩散模型与其他深度生成模型之间的关系,并引入了在计算机视觉中应用扩散模型的多个视角分类,最后,我们说明了离散模型的当前限制并预见了未来研究的一些有趣方向。
Sep, 2022
该论文通过扩散过程进行生成模型,通过选择适当的扩散桥混合,构造了以所需数据分布为目标的扩散过程,并且通过新的训练目标,可以通过神经网络进行逼近。
Dec, 2023
通过改变图像退化处理方法,可以构建一系列生成模型,并且即使使用完全确定性的退化方法,也可以轻松推广扩展扩散模型的训练和测试时间更新规则,为翻转任意过程的扩散模型打下基础,这一成功也质疑了该社区对扩散模型的理解。
Aug, 2022
本论文探讨将随机控制方法运用于泛化的去噪扩散模型及样本生成中,并尝试将现有的神经网络近似方法应用于去噪扩散模型及样本生成中。
May, 2023
通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束,从而提高生成样本与约束的一致性,且相较于现有方法有更好的性能且不影响推断速度;该方法还可以自然地防止过拟合。
Mar, 2024
利用 Gibbs 扩散(GDiff)方法,在参数化高斯噪声的假设下,提出了一种盲去噪的方法,通过一种条件扩散模型和蒙特卡洛采样器交替采样,可以推断出信号和噪声参数。
Feb, 2024