Oct, 2023

RAEDiff：基于可逆对抗样本自动生成和自恢复的去噪扩散概率模型

PDF
TL;DR通过 DDPM 中的先验知识，将数据集扩散到偏差高斯分布 (BGD) 中，利用 RAEDiff 这种自我生成和自我恢复方法，生成并恢复用于深度神经网络 (DNN) 模型的可逆对抗扰动 (RAEs)，实验证明 RAEDiff 可有效自动生成 DNN 模型的对抗扰动，并具有显著的自我恢复能力。
deep neural network modelsintellectual property protectionreversible adversarial examplesraediffdenoising diffusion probabilistic models
发现论文，激发创造
  • 基于预训练去噪扩散模型的遥感通用对抗防御

    利用预训练扩散模型进行通用对抗防御，净化遥感数据中的对抗干扰，不需要事先了解对抗干扰性质，提高性能并减少重新训练的工作量。

    Jul, 2023

  • 预训练扩散概率模型中的无监督表征学习

    本文提出了一种基于现有预训练 DPM 模型的图像重建通用方法 PDAE，实现了比 Diff-AE 更好的训练效率和性能，并通过对分类器引导采样的机制填补信息缺失的空隙，使编码器对图像进行更好的重建，表现出了较高的有效性、效率和灵活性。

    Dec, 2022

  • 利用条件降噪扩散模型进行异常检测

    本文提出 DDAD，一种新的基于去噪扩散的异常检测方法，其中包括图像重建的新型去噪过程、利用生成样例细调特征提取器的域适应方法等，通过在多个数据集上的测试验证了其优越性能。

    May, 2023

  • 扩散模型中的 SAR 图像合成

    通过使用特定类型的扩散模型（DDPM）在合成孔径雷达（SAR）领域实现有条件和无条件图像生成，本研究表明 DDPM 在质量上以及定性和定量效果上都优于现有的基于 GAN 的方法，并展示了预训练对于提高 SAR 图像生成质量的益处。

    May, 2024

  • DiffuseGAE：通过解耦表示的可控高保真图像操作

    本篇研究介绍 Diff-AE 与 GAE 两种基于 Diffusion probabilistic models 的编码器模型，实现由多个属性进行图像编辑和生成，大大降低了计算需求，并达到了相当不错的效果，对潜在特征得到了更好的分离。

    Jul, 2023

  • 残差去噪扩散模型

    提出了一种基于残差去噪扩散模型（RDDM）的图像生成和恢复方法，该方法通过预测残差来表示从目标域到输入域的扩散方向，并同时估计噪声以考虑扩散过程中的随机扰动，从而实现了图像生成和恢复的统一。

    Aug, 2023

  • Re-DiffiNet：利用扩散建模肿瘤分割中的差异

    通过使用 DDPM 模型，我们介绍了一种名为 Re-Diffinet 的框架，用于建模分割模型与真实情况之间的差异，从而提高肿瘤分割的 Dice 评分 0.55% 和 HD95 16.28% 的准确性。

    Feb, 2024

  • EDiffSR: 一种高效的远程感知图像超分辨率扩展的扩散概率模型

    本论文介绍了一种用于高效遥感图像超分辨率的扩散概率模型（DPM）EDiffSR，并结合了高效的激活网络（EANet）和条件先验增强模块（CPEM），以提高遥感图像的视觉质量和细节恢复能力。

    Oct, 2023

  • DP-RDM：无需微调将扩散模型应用于私有领域

    发展首个具有可证明的隐私保证并能生成高质量图像样本的差分隐私检索增强生成算法，通过在文本提示中引入从私有检索数据集检索的样本，无需在检索数据集上微调，利用先进的生成模型生成高质量图像样本，并提供隐私保证。

    Mar, 2024

  • 因果扩散自编码器：通过扩散概率模型实现反事实生成

    提出了 CausalDiffAE，一种基于扩散的因果表示学习框架，能够根据指定的因果模型实现反事实生成，并通过编码器从高维数据中提取语义上有意义的因果变量，以及使用神经网络参数化潜在因果变量之间的因果机制。

    Apr, 2024