去噪扩散概率模型用于预测分子云密度
利用深度学习技术和尘埃发射数据,通过预测星际辐射场的强度,研究表明尘埃温度与实际的星际辐射场之间存在弱相关性,并且模型能够捕捉到星际辐射场的变化,但精确的预测需要准确的训练数据集来反映目标分子云的独特物理条件。
Sep, 2023
提出了 GCDM 模型,该模型采用几何完整的消息传递图神经网络,在 DDPM 框架内宣称新的 3D 分子扩散生成的最新成果,并提供了与分子 DDPM 生成动态相关的物理归纳偏差的初步见解。
Feb, 2023
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
通过使用随机上下文模型(SCMs)产生训练数据,首次对 Denoising Diffusion Probabilistic Models(DDPMs)在医学成像领域相关信息学习能力进行了系统评估,结果表明 DDPMs 在生成具有空间上下文的图像方面具有显著的能力,可能在数据增强任务中具有 GANs 所不能达到的优势。
Sep, 2023
利用去噪扩散概率模型(DDPM)生成逼真的模拟星系图像,并借鉴深度生成学习文献中的 Frechet Inception 距离和新引入的合成星系距离指标进行相似度比较和 Emergent 物理特性比较,其效果比其他生成方法(如对手网络)更为真实,可用于量身定制特定成像调查的大量合成观测数据,证实其精确插值和域转换方法的潜在用途,并在星际物理学领域推动了该主题的进一步研究。
Nov, 2021
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
通过使用 R2DM 模型和 DDPMs 方法,本研究提出了一种新的用于生成 LiDAR 数据的生成模型,该模型可以基于图像表示生成多样性和高保真度的 3D 场景点云,有效地优化了 KITTI-360 和 KITTI-Raw 数据集的生成任务以及 KITTI-360 数据集的上采样任务。
Sep, 2023
利用新型的去噪扩散概率模型(DDPMs)引入创新的期望最大化(EM)框架进行聚类,通过优化学习聚类友好的潜在表示,有效地提高了聚类、无监督条件生成和潜在表示学习的性能。
Dec, 2023