Jun, 2023

利用前向模型的扩散：无需直接监督解决随机逆问题

PDF
TL;DR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。
denoising diffusion modelsgenerative modelspartial observationsconditional generative modelinverse graphics
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于扩散模型的原则性概率成像使用即插即用的先验

    采用扩散模型和马尔可夫链 - 蒙特卡洛算法解决反问题，通过降低到高斯去噪问题的后验采样，有效地实现了更准确的重建和后验估计。

    May, 2024

  • 使用预训练的 2D 扩散模型解决 3D 反问题

    本文结合传统的基于模型的迭代重建方法和现代扩散模型，提出了一种高度有效的方法来解决 3D 医学图像重建任务，包括稀疏视图断层扫描、有限角度断层扫描、预训练 2D 扩散模型压缩感知 MRI 等。我们在测试时提出了 2D 扩散先验的增强模型先验，从而实现了所有维度上的一致重建。该方法可以在单个普通 GPU 上运行，并且在最极端情况下（例如 2 视的 3D 断层扫描）表现出高保真度和准确度的重建。我们进一步揭示了该方法的泛化能力出乎意料地高，并且可以用于重建与训练数据集完全不同的体积。

    Nov, 2022

  • 条件变分扩散模型

    逆问题研究中的生成模型，特别是扩散模型，对于确定参数具有重要作用。然而，扩散模型对方差调度的选择非常敏感，我们提出了一种新的方法，通过学习过程中训练方差调度，避免了费时的优化过程并得到更好的结果。

    Dec, 2023

  • 基于两阶段降噪扩散模型的图反问题源定位

    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。

    Apr, 2023

  • 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

  • 图像逆问题中的可导条件扩散对于离域自适应

    我们介绍了一种名为可控条件扩散的新型采样框架，它将去噪扩散模型与可用的测量数据相结合，实现了对多样的成像模态下的离群任务的显著改进，推动了去噪扩散模型在实际应用中的鲁棒部署。

    Aug, 2023