Nov, 2023

DIFFNAT: 使用自然图片统计方法改善扩散图像质量

PDF
TL;DR提出一种广义的 “自然度” 保持损失函数，即峭度集中（KC）损失，可用于任何标准扩散模型管道，以提高图像质量，并在个性化少样本微调、无条件图像生成和图像超分辨率等任务中验证其有效性。
diffusion modelsnaturalness preserving loss functionkurtosis concentration (kc) lossimage qualityperceptual quality
发现论文，激发创造
  • 为低光图像增强提供可微分的空间熵的扩散模型装备

    提出了一种基于统计的熵损失方法，通过引入空间熵，强调对分布而非个别像素值的学习，利用核密度估计以使得熵可微分，并在实验证明了其在低光增强方面的有效性。

    Apr, 2024

  • 在空中训练：使用生成数据提高图像分类

    本文介绍了一种名为 “Diffusion Inversion” 的方法，该方法使用预先训练的生成模型 Stable Diffusion，通过将图像倒换到其潜在空间中来捕获原始数据分布并确保数据覆盖，即可生成多样高质量的训练图片，此方法通过三个关键部件成功替换了原始数据集，从而提高了样本复杂度并缩短了采样时间，不仅优于泛化提示导向方法和 KNN 检索基线，还可与常见数据增强技术兼容，提高少样本学习的可靠性。

    May, 2023

  • 利用有损扩散模型增强图像布局控制

    扩散模型为一种强大的生成模型，能够从纯噪声中生成高质量的图像。条件扩散模型通过简单的文本提示能够指定所需图像的内容，然而，仅仅基于文本提示无法对最终图像的构成和布局进行细致的控制，而这取决于初始噪声分布。本文探讨了两种改进方法，并演示了当这两种方法结合使用时可以获得更好的性能。

    May, 2024

  • 基于扩散模型的图像补偿引导和视觉差异分析方法用于无参考图像质量评估

    使用扩散模型进行无参考图像质量评估的研究，开发了新的扩散恢复网络以及两个视觉评估分支，实验证明该模型在无参考图像质量评估中优于现有方法。

    Feb, 2024

  • GenzIQA：使用提示引导的潜在扩散模型进行通用图像质量评估

    通过理解可学习的质量感知文本提示与图像之间的对齐程度，我们利用潜在扩散模型的降噪过程对广义图像质量评估进行了改进。

    Jun, 2024

  • 基于基础扩散模型的有损图像压缩

    利用扩散模型在图像压缩领域具有潜力，能够在极低码率下产生逼真且详细的重建结果。本研究提出了一种将扩散用于去除量化误差，以恢复传输图像潜在信息的去噪方法，相较于之前的方法，我们的方案只需要进行不到 10% 的扩散生成过程，并且无需对扩散模型进行架构更改，能够有效利用基础模型作为强大的先验，并在定量写实度指标上优于之前的方法，同时经验证明我们的重建结果在质量上也得到了最终用户的认可，并且即使其他方法使用两倍的比特率，我们的方案依然具备优势。

    Apr, 2024

  • 利用扩散模型对输入噪声进行调控以进行可控图像生成

    通过给扩散模型输入精制的噪声来提高其控制性，从而可以产生基于语义属性的图像。

    May, 2022

  • 利用扩散模型作为约束：增强图像恢复网络通过扩散模型训练

    通过引入自然性导向和语义感知优化机制 DiffLoss，本文旨在改善图像恢复领域中的颜色和纹理失真问题，并提高图像的语义感知恢复能力，以实现图像恢复任务和高级识别任务的连接。

    Jun, 2024

  • 改进的向量量化扩散模型

    本文提出两种技术，即分类器无指导采样和高质量推理策略，以进一步提高 VQ-Diffusion 样本质量，实验证明改进的 VQ-Diffusion 显著优于原始版本。

    May, 2022

  • 小波包功率谱 Kullback-Leibler 散度：图像合成的新度量

    我们提出一种新的基于频带的质量度量方法，改进了针对生成神经网络的现有指标，能够准确衡量频率信息，并通过 Broad Data Sets 对生成网络的质量进行验证，用户研究表明该方法与人类感知一致，同时频带指导能够提高当前生成网络的频域保真度。

    Dec, 2023