Aug, 2023

利用去噪扩散概率模型生成观测引导集合以进行数据同化

PDF
TL;DR该论文提出了一种利用去噪扩散概率模型生成的伪集合的集合数据同化方法。由于该模型针对嘈杂和稀疏的观测数据进行训练，因此该模型能生成与观测接近的发散集合。由于所生成集合的方差，我们提出的方法在模拟模型不完美时表现出比成熟的集合数据同化方法更好的性能。
ensemble data assimilationpseudo ensemblesdenoising diffusion probabilistic modelvariancesimulation model
发现论文，激发创造
  • 概率能源预测的去噪扩散概率模型

    本文提出了基于去噪扩散概率模型的深度学习生成方法，首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明，这种方法与其他最先进的深度学习生成模型竞争力相当。

    Dec, 2022

  • 生成气候模拟集合的潜在扩散模型

    利用新型生成式深度学习方法，在气候模拟数据集上训练出来的模型能够更快、更高效地生成大型集合数据，以提高气候模拟中的不确定性估计的效率。

    Jul, 2024

  • 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

  • 粒子去噪扩散采样器

    利用新颖的评分匹配损失，我们提出了一种基于粒子迭代方案的粒子去噪扩散取样器（PDDS），它能够在温和假设下提供渐近一致的估计，我们在多模态和高维取样任务上演示了 PDDS。

    Feb, 2024

  • 基于观测引导的扩散概率模型

    我们提出了一种新颖的扩散模型，称为观测引导扩散概率模型 (OGDM)，它有效地解决了质量控制和快速采样之间的权衡问题。

    Oct, 2023

  • 使用扩散模型模拟天气预报集合

    利用生成型人工智能技术，从现有的少量预测数据中生成具有可靠性且准确度高的气象预测，且比传统方法成本少。

    Jun, 2023

  • 视频生成的扩散概率建模

    本文提出了一种自回归、端到端优化的视频扩散模型，受到神经视频压缩技术的启发，可用于生成高质量的视频，并提出了可扩展的连续排名概率得分（CRPS）方法，以评估视频的概率预测能力，该方法在自然和仿真视频的多个数据集上比先前方法的感知质量和概率预测有着显著的提高。

    Mar, 2022

  • 通过扩散生成模型学习近似粒子平滑轨迹

    从稀疏观测数据中学习动力系统是许多领域（包括生物学、金融学和物理学）的一个关键问题。这篇论文介绍了一种将条件粒子滤波与祖先采样和扩散模型相结合的方法，能够生成与观测数据相符合的逼真轨迹。该方法基于迭代条件粒子滤波与祖先采样生成匹配观测边缘概率的合理轨迹，并学习相应的扩散模型。该方法既为复杂约束下高质量、平滑的轨迹提供了一种生成方法，又有效近似了粒子平滑分布在经典跟踪问题中。我们在时间序列生成和插值任务上展示了该方法，包括车辆追踪和单细胞 RNA 测序数据。

    Jun, 2024

  • ResEnsemble-DDPM：残差去噪扩散概率模型的集成学习

    将去噪扩散概率模型与现有的端到端模型相融合，通过集成学习引入残差项，提出 ResEnsemble-DDPM 模型，进一步提升图像分割模型的性能，并且该集成学习策略可推广到图像生成的其他任务，具有强大的竞争力。

    Dec, 2023

  • 通过自适应嵌入和集成激发图像去噪扩散模型

    图像降噪是计算摄影中的一个基本问题，要求在低畸变的情况下实现高质量的感知性能。最近，新兴的扩散模型在各种任务中实现了最先进的性能，在图像降噪方面显示了巨大的潜力。然而，为图像降噪刺激扩散模型并不直接，需要解决几个关键问题。我们提出了一种名为 “图像降噪扩散模型（DMID）” 的新策略，通过从降噪的角度理解和重新思考扩散模型来解决这些问题。我们的 DMID 策略在所有基于畸变和感知度量的高斯和真实图像降噪任务中实现了最先进的性能。

    Jul, 2023