Sep, 2023

半监督多领域翻译中的多噪声扩散模型

PDF
TL;DR该研究论文介绍了一种新的多域翻译方法，称为 MDD（Multi-Domain Diffusion），它通过一种条件扩散框架在半监督环境中进行多域翻译，不需要定义输入和输出域，可以在给定的域集合内进行任意分区的翻译。
domain-to-domain translationmulti-domain diffusionconditional diffusion frameworkmulti-domain translationnoise formulation
发现论文，激发创造
  • UNIT-DDPM: 带去噪扩散概率模型的非配对图像翻译

    提出一种新颖的无需对抗训练的图像分类方法，该方法使用基于去噪扩散概率模型的单张图像转换方法。我们的方法是通过最小化以另一个域为条件的去噪得分匹配目标来训练生成模型以推断图像的联合分布。我们同时更新域翻译模型，并通过基于 Langevin 动力学的去噪马尔科夫链蒙特卡罗方法来生成目标域图像。该方法在几个公共数据集上实现了最先进的 Frechet Inception Distance（FID）性能，包括彩色和多光谱影像，并明显优于当前的对抗图像转换方法。

    Apr, 2021

  • DomainStudio: 使用有限数据对领域驱动图像生成的扩散模型进行微调

    本文提出了一种 DomainStudio 方法，用于将在大规模源数据集上预先训练的 DDPMs 调整到目标域，以在目标域中生成高质量且具有多样性的样本，从而实现无条件少样本图像生成。

    Jun, 2023

  • 推荐系统的领域间翻译模型

    提出了一种基于生成对抗网络（GANs）、变分自动编码器（VAEs）和 Cycle-Consistency（CC）相结合的 D2D-TM 模型，用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题，并证明其在性能优化方面超过了现有技术。

    Dec, 2018

  • 零样本跨模态数据翻译：基于互信息引导的随机扩散

    本文提出了一个名为互信息指导扩散的跨模态数据翻译模型（MIDiffusion）来解决零样本学习交叉模态数据翻译的基本挑战，该方法不需要基于源与目标领域的直接映射，且在实践中应用跨模态数据翻译方法具有优势。

    Jan, 2023

  • 神经机器翻译的领域差异适应

    本文介绍了『Domain Differential Adaptation（DDA）』的框架，该框架通过使用相关任务中的模型直接建模不同领域之间的差异，从而成功地应用于神经机器翻译的领域自适应中，并在多个实验设置中实现比其他替代方法更好的改进效果。

    Oct, 2019

  • 镜面扩散：通过提示重述和更多方法稳定零样本图像翻译过程

    最近，文字到图像扩散模型成为图像处理领域的一种新范式，包括内容生成、图像恢复和图像到图像的转换。本文提出了一种 Prompt 重新描述策略，以实现扩散模型中源图像和重构图像的镜像效应，从而实现准确的零样本图像翻译。

    Jan, 2024

  • 从整体到特定：基于领域转换网络的多领域翻译

    本篇论文提出一种利用领域转换网络、知识蒸馏和对抗学习等方法，解决多领域翻译中通用和特定知识的统一建模问题，并在多种语言对上得到了比 fine-tuning 方法更为优秀的结果。

    Nov, 2019

  • 使用扩散模型进行未见图像合成

    通过使用预训练和冻结的去噪扩散概率模型 (DDPM) 来逆向编码并优化隐藏域，从未见过的域图像合成，证明了这种新颖视角探索和重新思考扩散模型的数据合成广义能力的有效性。

    Oct, 2023

  • 基于阶段训练的无标签多领域机器翻译

    本篇论文提出一种无需领域注释数据的多领域机器翻译模型，包括骨干模型、领域鉴别器和一组专家。通过阶段式训练策略并结合聚类和多分类任务建模领域差异以及采用 Gumbel-Max 采样进行专家训练，该模型在德语到英语翻译任务中取得了较好的效果。

    May, 2023

  • 多源蒸馏领域自适应

    该论文提出了一种新的多源蒸馏领域自适应（MDDA）网络，该网络考虑了多个源和目标之间的不同距离以及源样本与目标样本的不同相似性，通过预先训练源分类器、将目标映射到每个源的特征空间、选择最近的源样本进行微调和使用不同的域权重对不同预测进行聚合等四个阶段实现。实验表明，该方法明显优于现有的方法。

    Nov, 2019