Sep, 2023
利用扩散模型中的信号泄漏偏差
Exploiting the Signal-Leak Bias in Diffusion Models
Martin Nicolas Everaert, Athanasios Fitsios, Marco Bocchio, Sami Arpa, Sabine Süsstrunk...
TL;DR扩散模型中存在一种偏倚,来自信号泄漏的偏差概率分布与噪声概率分布不一致,造成训练和推理过程不匹配。我们展示了当模型针对特定风格进行调整时,信号泄漏偏倚尤为显著,导致次优的风格匹配。最近的研究尝试在训练过程中避免信号泄漏,而我们则展示了如何利用现有扩散模型中的信号泄漏偏倚,以实现对生成图像的更多控制。这使我们能够生成亮度更加多变的图像,并且更好地匹配所期望的风格或颜色。通过对信号泄漏在空间频率和像素域的分布进行建模,并在初始潜在空间中引入一个信号泄漏,我们生成的图像更好地匹配预期结果,无需任何额外的训练。