Apr, 2023

基于两阶段降噪扩散模型的图反问题源定位

PDF
TL;DR提出一种二阶段优化框架，即源定位去噪扩散模型（SL-Diff），其中在粗略阶段设定源接近度作为监督信号以生成粗略的源预测，引入以上文深度扩散模型中级联时间信息的改进方法，转化了多对一映射关系为一对一映射关系，从而更好地解决了反问题中的不适定问题，在后续细节优化阶段设计了一种扩散模型来量化传播中的不确定性，实验结果表明，提出的 SL-Diff 在合理的采样时间内能够给出出色的预测结果。
source localizationdiffusion modelgraph inverse problemsupervised learninguncertainty quantification
发现论文，激发创造
  • 利用前向模型的扩散：无需直接监督解决随机逆问题

    本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。

    Jun, 2023

  • 可逆图扩散神经网络用于源定位

    本文提出了一种基于可逆的有效图扩散模型的通用框架，用于在图上进行源定位，该模型可处理包括难以在端到端方式中对图扩散模型的逆过程建模、难以确保推断出的来源的有效性以及源推断的效率和可伸缩性等主要挑战。

    Jun, 2022

  • 基于变分自编码器的图扩散源定位用于图反问题

    本文提出了一种基于概率模型的通用框架：SL-VAE 来定位任意扩散模式下的扩散源。SL-VAE 利用前向扩散估计模型和深度生成模型，近似扩散源分布并量化不确定性。最后，通过导出一个统一的目标函数，强制模型在任意扩散模式下进行泛化。在 7 个真实世界的数据集上进行的广泛实验表明了 SL-VAE 在重建扩散源方面的优越性。

    Jun, 2022

  • 扩散模型求解逆问题的变分视角

    本文提出一种基于变分法的正则化方法 RED-Diff 来解决扩散模型后验分布不可计算的问题，通过在不同时间步引入不同的去噪器来实现对图像结构的约束，进而提高扩散模型在图像修复等领域的应用性能。

    May, 2023

  • 扩散后验采样用于一般噪声反问题

    本文提出一种扩展扩散模型求解广泛的噪声非线性逆问题的方法，该方法利用后验采样实现扩散采样和流形约束梯度融合，并适用于各种噪声统计和非线性问题，代码公开。

    Sep, 2022

  • 释放扩散先验的去噪能力以解决逆问题

    通过引入辅助优化变量，利用扩散过程重新定义嘈杂的反问题为受约束的双变量优化任务，该算法称为 ProjDiff，有效地利用了预训练扩散模型的先验信息和降噪能力。在各种线性和非线性反问题中，ProjDiff 在图像恢复任务、信源分离和部分生成任务方面展现出卓越的性能，凸显其在实际应用中的潜力。

    Jun, 2024

  • DDGM: 基于扩散去噪的梯度最小化求解反问题

    该论文提出了一种基于梯度下降与降噪相结合的噪声重建方法，可以高精度地重建电子显微学的层析成像问题，结果表明相对于传统方法和更复杂的扩散方法，该方法具有更高的精度和更快的计算速度。

    Jul, 2023

  • 视觉中的扩散模型：一项调研

    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

  • 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

  • 自适应和扩散：通过潜在扩散模型实现样本适应性重建

    我们提出了一种名为 “严重性编码” 的新方法，通过在自编码器的潜在空间中估计噪声、退化信号的退化严重程度，从而在样本自适应推断时间、重建问题的难度上取得了显著性进展。同时，利用潜在扩散模型基于预测的退化严重程度来调整反向扩散采样轨迹，从而在维持与观测一致性的同时实现样本自适应的推断时间，与现有扩散法技术相比，我们的技术在计算效率方面有明显提升。

    Sep, 2023