Sep, 2023

DiffusionEngine：扩展性数据引擎用于目标检测的扩散模型

HTML
PDF
TL;DR最近开发的扩散模型是一个可扩展的数据引擎用于物体检测，作者提出了一个数据扩展引擎 DiffusionEngine(DE) 用于在一个阶段中提供高质量的检测训练对。扩散引擎 DE 由一个预先训练好的扩散模型和一个有效的检测适配器构成，能够以即插即用的方式生成可扩展、多样化和具有通用性的检测数据，在各种场景下能够显著提升检测算法的结果。
发现论文，激发创造
  • 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

  • 视觉的高效扩散模型：一项调查

    本综述主要介绍了最近视觉领域中扩散模型的进展，特别是那些影响扩散模型计算效率的重要设计方面，重点是强调了最近提出的设计选择，这些选择导致更高效的扩散模型。

    Oct, 2022

  • DiffusionDet: 目标检测的扩散模型

    DiffusionDet是一种将对象检测作为从噪声框到对象框的去噪扩散过程的新框架，其在训练阶段通过对象框从地面实况框扩散到随机分布，模型学习将该过程反转，在推断阶段，模型以渐进方式将一组随机生成框细化为输出结果，使用随机框作为对象候选框有利于解决对象检测问题，并且该问题可以通过生成方法来解决。

    Nov, 2022

  • DiffusionSeg: 适应扩散的非监督物体发现

    本文提出了DiffusionSeg框架，利用预训练和扩散模型实现无监督物体发现，并采用合成-利用两阶段策略来缓解数据不足和结构差异问题，采用反演技术将图像映射回扩散特征，通过大量实验验证了该方法的优越性。

    Mar, 2023

  • 扩散式数据集生成：缩小行人检测 Sim2Real 差距的步伐

    该研究提出了一种使用扩散模型增强模拟数据集的方法，以改善行人检测在现实世界数据中的性能，并使用扩散基础架构来生成具有真实分布的数据集，以填补模拟数据和真实数据之间的差距，通过使用生成数据与模拟数据进行的训练可以将行人检测模型在真实数据中的平均精度提高27.3%。

    May, 2023

  • DiffRef3D：一种基于扩散的三维物体检测提案细化框架

    DiffRef3D是一种新颖的框架，采用了首次将扩散流程应用于使用点云的三维物体检测，通过将噪声逐渐添加到提案和目标物体之间的残差，并将噪声残差应用于提案以生成假设，然后通过迭代步骤对假设进行精确的盒子预测，从而在现有的三维物体检测模型中持续改进性能。

    Oct, 2023

  • 3DiffTection：具有几何感知扩散特征的三维物体检测

    我们介绍了3DiffTection，这是一种用于从单张图像中进行3D物体检测的最先进方法，利用了来自3D感知扩散模型的特征。通过两种专门的调整策略：几何和语义，我们的方法弥合了这些差距。通过我们的方法，我们获得了为3D检测量身定制的3D感知特征，以及在识别跨视角点对应方面表现出色的能力。

    Nov, 2023

  • 扩散深度伪造

    通过生成式AI和扩散模型，我们引入了两个广泛的生成伪造数据集，用于测试当前深伪造检测器的脆弱性，并提出了增强训练数据多样性和动量困难提升策略来改进模型的普适性。通过全面评估，我们的模型优化方法明显优于以前的替代方案。

    Apr, 2024

  • 一种简单的背景增强方法用于扩散模型的物体检测

    本研究解决了数据集多样性不足带来的问题，提出了一种简单有效的数据增强方法，通过生成模型，特别是文本到图像合成技术，生成带标签的真实图像变体。背景增强显著提高了模型的鲁棒性和泛化能力，经过在COCO数据集及其他物体检测基准的评估，证实了该方法在不同场景中的显著性能提升。

    Aug, 2024

  • 在保持语义协调的同时实现多样化生成：一种基于扩散的数据增强方法用于目标检测

    本研究解决了现有数据增强方法在数据集多样性与语义协调之间难以平衡的问题。我们提出了一种创新的增强技术，利用预训练的条件扩散模型，同时开发了类别亲和矩阵和周边区域对齐策略，显著提高了数据集多样性并保持了语义一致性。实验证明，我们的方法在三个不同的目标检测模型上均实现了+1.4AP、+0.9AP和+3.4AP的显著改进。

    Aug, 2024