扩散模型中的流形导向采样用于无偏图像生成
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
提出了 Manifold Preserving Guided Diffusion (MPGD),实现了一种无需训练的条件生成框架,利用预训练扩散模型和现成的神经网络,具有最小的附加推断成本,适用于各种条件生成应用,提供了高样本品质和高达 3.8 倍的速度提升。
Nov, 2023
本论文探讨用扩散模型生成少数族裔样本的问题,提出了一种新的框架来引导扩散模型的生成过程,侧重于生成低密度区域上的少数族裔样本。实验结果表明,与标准扩散采样器相比,我们的少数族裔引导技术可以极大地提高生成低概率少数族裔样本的能力。
Jan, 2023
我们使用扩散过程生成模型解决了常见图像数据集中低密度区域的样本稀缺问题,通过修改采样过程使其指向低密度区域并同时保持合成数据的逼真度,经过严谨的验证,我们的方法成功地生成了低密度区域的新的高保真度样本。
Mar, 2022
在高斯混合模型的背景下,我们的研究首次对扩散模型中引导信息对其性能的影响进行了理论研究,证明了引入扩散引导不仅提高了分类的置信度,还减少了分布的多样性,导致输出分布的微分熵的降低。我们的分析涵盖了广泛采用的采样方案,包括 DDPM 和 DDIM,利用了微分方程的比较不等式以及描述概率密度函数演化的 Fokker-Planck 方程,这也可能具有独立的理论兴趣。
Mar, 2024
提出了一种无需额外数据或模型重新训练的去偏置方法,利用属性分布引导生成的图像,通过 Attribute Distribution Predictor(ADP)建立属性分布预测器,从而实现公平生成,并通过生成数据平衡训练集来训练公平属性分类器。
Feb, 2024
本文研究了扩散模型的几何属性,介绍了生成率的概念和利用不同可微的方案估计生成率的方法,并提出了一种生成曲线匹配算法,为多种图像处理任务提供了统一框架,结果表明与最近的基线方法相比,我们的方法始终能产生更好的处理效果。
Jun, 2024
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
该论文提出了一种基于标签传播模型改进流形正则化的方法,通过增强扩散图算法的概率转移矩阵来描述流形上的标签传播过程,并证明了扩展的标签传播函数在足够长时间后收敛到稳定分布,成为一个可用的分类器,实验证明了该方法的优越性。
Mar, 2024