基于 Metropolis 抽样的约束扩散模型

Jul, 2023

基于 Metropolis 抽样的约束扩散模型

Metropolis Sampling for Constrained Diffusion Models

Nic Fishman, Leo Klarner, Emile Mathieu, Michael Hutchinson, Valentin de Bortoli

TL;DR本文介绍了一种基于 Metropolis 抽样算法的简单去噪方案，证明了该新方法对应于反射布朗运动的有效离散化方法，并在包括地理空间建模、机器人技术和蛋白质设计在内的一系列问题设置上展示了我们方法的可扩展性和灵活性。

Abstract

denoising diffusion models have recently emerged as the predominant paradigm for generative modelling. Their extension to riemannian manifolds has facilitated their application to an array of problems in the natu

denoising diffusion models riemannian manifolds noising processes metropolis sampling reflected brownian motion

发现论文，激发创造

受限域的扩散模型

本研究提出两种方法来扩展扩散模型至通过不等式约束定义的流形，包括基于对数障碍度量的失真度量以及基于反射布朗运动的失真度量，在合成和真实任务中进行了实证表明，包括蛋白质骨架和机器人臂运动的约束构象模拟。

Apr, 2023

黎曼扩散模型

本文介绍了一种新的图像生成和似然估计方法 —— 扩展连续时间扩散模型到任意黎曼流形，提出了一种似然估计变分框架，并在黎曼流形上证明其等价性，证明了这种新方法在各个评测标准上得到了新的最先进的表现。

Aug, 2022

去噪扩散模型和抽样器的表达能力注记

本论文探讨将随机控制方法运用于泛化的去噪扩散模型及样本生成中，并尝试将现有的神经网络近似方法应用于去噪扩散模型及样本生成中。

May, 2023

通过 Riemannian 扩散过程的混合在流形上进行生成建模

基于 Riemann 流形的扩散混合模型，通过以端点条件的扩散过程的混合来构建一种流形上的生成过程，取代以往扩散模型的去噪方法，更好地在高维度上表现，并在各种流形上优于现有的生成模型。

Oct, 2023

基于约束采样优化的扩散模型

我们提出了使用扩散模型在数据流形上进行优化的方法，以解决具有未知约束的实际优化问题。通过在 Boltzmann 分布和扩散模型学习的数据分布之间进行采样，我们将原始优化问题转化为采样问题，以限制优化过程在数据流形上进行。通过在初始阶段聚焦在可行解上获得分布，我们的方法在综合实验中展现了与现有的最先进基准方法相当或更好的性能。

Feb, 2024

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

用扩散模型去噪蒙特卡洛渲染

扩散模型对低分辨率图像进行去噪，利用自然渲染信息进行条件控制，与现有方法在不同采样率下有较强竞争力，但当前指标未能准确评估重建质量。

Mar, 2024

扩展黎曼扩散模型

基于黎曼流模型，通过改进近似方法和利用对称空间，我们能够在高维度上学习分布并得到明显改进，包括模拟非平凡流形上的 QCD 密度并对高维超球上的学习嵌入进行对比实验。

Oct, 2023

利用流形约束改进逆问题的扩散模型

通过研究生成采样路径，我们提出了一种附加流形约束修正项的算法，能够优化漫反射模型在无监督的逆问题求解中，尤其在图像修复、着色和计算机断层扫描等领域中表现优异。

Jun, 2022

离散时间扩散模型的非渐近收敛：新方法和改进速率

去噪扩散模型是一种将噪声转换为数据的强大生成技术，本论文研究了离散时间扩散模型在更大范围的分布上的收敛性保证，并提出了一种加速采样器来提高收敛速度和维度依赖性。

Feb, 2024