ICLRMar, 2023

扩散概率场

PDF
TL;DR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。
diffusion probabilistic fieldsgenerative modelingcontinuous functionsmetric spacesend-to-end learning algorithm
发现论文，激发创造
  • 在统一的视觉模态上将扩散概率场扩展至高分辨率

    提出了一种新的模型，该模型结合了以视图为基础的采样算法和额外的指导信息，例如文本描述，用于细节结构学习，使得模型能够扩展到高分辨率数据，统一多种模态下的视觉内容生成。实验结果证明了模型的有效性，以及其作为可伸缩性模态统一视觉内容生成的基础框架的潜力。

    May, 2023

  • DiffRF: 基于渲染引导的 3D 辐射场扩散

    DiffRF 是一种针对三维辐射场合成的新方法，利用去噪扩散概率模型生成体积辐射场。通过将去噪公式与渲染损失配对，我们的模型可以学习偏态先验，使其倾向于良好的图像质量而不是试图复制浮动伪像等拟合误差。与 3D GAN 相比，我们的扩散方法自然地实现了条件生成，例如掩蔽完成或推理时的单视图 3D 合成。

    Dec, 2022

  • 图像神经场扩散模型

    通过在图像神经场上训练扩散模型，我们可以学习连续图像的分布，并显示其在分辨率上的优势。我们提出了一种简单而有效的方法，可以将现有的潜在扩散自动编码器转换为图像神经场自动编码器。通过使用混合分辨率图像数据集对其进行训练，我们证明了图像神经场扩散模型优于固定分辨率扩散模型后跟超分辨率模型，并能高效地解决应用于不同尺度的逆问题。

    Jun, 2024

  • 离散状态空间中的结构去噪扩散模型

    本文提出了离散去噪扩散概率模型（D3PM），用于离散数据的扩散式生成模型，包括了仿真高斯核、嵌入空间中基于最邻近、引入吸收状态等过渡矩阵。研究表明过渡矩阵的选择对图像和文本领域下的生成模型结果至关重要，且提出的新损失函数在字符级别文本生成上取得了很好的效果。

    Jul, 2021

  • 改进降噪扩散概率模型

    通过对 DDPM 模型进行简单修改，可以在保持高质量样本的同时达到具有竞争力的对数似然值，并学习反向扩散过程的方差，从而使用数量级更少的正向传递采样。使用精度和召回率比较 DDPM 和 GAN 模型的性能，并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。

    Feb, 2021

  • 多流形扩散场

    本文提出了一种名为 Manifold Diffusion Fields（MDF）的方法来学习定义在黎曼流形上的连续函数的生成模型，该方法利用了谱几何分析的见解，在流形上定义了一种内在坐标系统，MDF 使用由多个输入输出对形成的显式参数化来表示函数，该方法允许在流形上采样连续函数，并且对于流形的刚性和等距变换是不变的，实证结果表明，与之前的方法相比，MDF 可以更好地捕捉这些函数的分布，具有更好的多样性和保真度。

    May, 2023

  • 概率能源预测的去噪扩散概率模型

    本文提出了基于去噪扩散概率模型的深度学习生成方法，首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明，这种方法与其他最先进的深度学习生成模型竞争力相当。

    Dec, 2022

  • 几何神经扩散进程

    本文将扩展扩散模型的框架，将几何先验引入无限维建模，并通过构建噪声过程和近似得分实现对称性，展示了该模型适用于模拟扩散模型的任意对称性情景以及在复杂的合成场景和天气数据上的可扩展性和容量。

    Jul, 2023

  • 物理相关扩散模型

    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

  • 粒子去噪扩散采样器

    利用新颖的评分匹配损失，我们提出了一种基于粒子迭代方案的粒子去噪扩散取样器（PDDS），它能够在温和假设下提供渐近一致的估计，我们在多模态和高维取样任务上演示了 PDDS。

    Feb, 2024