Sep, 2022

Poisson 流生成模型

PDF
TL;DR该研究提出了一种新的 “泊松流” 生成模型 (PFGM)，通过对高维半球面上的均匀分布进行映射来实现任何数据分布的生成，利用电荷在一个带有额外维度的扩展空间中的分布和电场可以生成高维电场及其在空间中的流动进行学习来实现这一目标，此模型在 CIFAR-10 数据集上表现出优秀的生成效果，并且在网络架构弱的情况下同样具有较好的鲁棒性和加速性。
poisson flowgenerative modeldata distributionelectric fieldnormalizing flow models
发现论文，激发创造
  • 低剂量 CT 图像去噪的泊松流一致性模型

    提出了一种结合了 Poisson 流一致性模型（PFCM）的后采样 Poisson 流一致性模型（PS-PFCM）的图像去噪技术，该方法能够在低剂量 CT 图像上优于当前的最优扩散样式模型，并在 CIFAR-10 数据集上提供了初步结果。

    Feb, 2024

  • Moser Flow: 基于发散性的流形生成建模

    本文介绍了 Moser Flow 一种新型连续归一化流的生成模型，它可以通过求解变量转换公式得到归一化流，学习模型密度的参数形式为源（先验）密度减去神经网络的发散，通过该模型的学习在复杂的流形曲面采样与密度估计上取得了显著的性能提升。

    Aug, 2021

  • 扩散生成流采样器：通过部分轨迹优化改善学习信号

    我们提出了一种基于扩散生成流采样器 (DGFS) 的抽样框架，该方法可以将学习过程易于处理地分解为短的部分轨迹段，通过参数化额外的 “流函数”，并且在各种具有挑战性的实验中展示了相比于相关先前方法更准确的规范常量估计。

    Oct, 2023

  • Monge-Ampère 流在生成建模中的应用

    本文提出了一种基于 Monge-Ampère 流的深度生成模型，应用于 MNIST 数据集的非监督密度估计和临界点下两维 Ising 模型的变分计算中，并将 Monge-Ampère 方程、最优输运和流体动力学中的一些见解和技术带入可逆流式生成模型。

    Sep, 2018

  • PINF：用于物理约束深度学习的连续归一化流

    本文介绍了基于物理信息的归一化流（PINF），它是连续归一化流的一种新方法，通过特征方法结合扩散，能高效解决高维时间依赖和稳态福克 - 普朗克方程。

    Sep, 2023

  • PPFM: 单步后验采样泊松流生成模型在光子计数 CT 图像去噪中的应用

    Poisson flow generative models (PPFM) for low-dose CT image denoising outperforms diffusion models with a significantly reduced number of function evaluations (NFE=1).

    Dec, 2023

  • 通过判别器梯度流完善深度生成模型

    通过熵正则化的 f - 散度梯度流技术，可以提高生成数据的质量，避免了浪费的样本拒绝，可以应用于各种生成系统，并取得了显著的效果优于 DOT 和 DDLS 方法。

    Dec, 2020

  • VFlow: 用变分数据增强方法实现更具表现力的生成式流模型

    本文介绍了一种通过增加数据而扩展中间维度限制的方法 VFlow，提高了生成流模型的表达能力，并在 CIFAR-10 数据集上实现 2.98 bits per dimension 的最新成果。

    Feb, 2020

  • 扩散概率场

    本文介绍了一种新的扩展 Diffusion probabilistic models 方法的方法 Diffusion Probabilistic Fields (DPF), 可用于在度量空间中学习定义为连续函数的概率分布，通过将场参数化作为一种显式形式来解决以前方法的问题。与以前的方法相比，DPF 在处理 2D 图像、3D 几何等不同模态以及定义在非欧几里德度量空间上的领域上的分布时表现出色。

    Mar, 2023

  • 离散数据上生成建模的费舍尔流匹配

    Fisher-Flow 是一种用于离散数据生成建模的新型流匹配模型，采用几何学观点，将离散数据视为在统计流形上的点，通过转移沿 $d$- 超球面上的（闭合形式）测地线上的质量来定义流，可以优化训练动力学，提高性能，并在合成和实际基因序列设计等多个领域中优于传统扩散和匹配模型。

    May, 2024