ResEnsemble-DDPM:残差去噪扩散概率模型的集成学习
本研究侧重于使用扩散模型进行半监督图像分割,特别是针对领域泛化问题,结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性,通过利用信息密集的小步骤和较大步骤的正则化效果生成预测,该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能,突显了 DDPM 在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。
Nov, 2023
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
通过对 DDPM 模型进行简单修改,可以在保持高质量样本的同时达到具有竞争力的对数似然值,并学习反向扩散过程的方差,从而使用数量级更少的正向传递采样。使用精度和召回率比较 DDPM 和 GAN 模型的性能,并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。
Feb, 2021
通过学习逐渐将数据分布扩散为高斯噪声的过程,并以随机噪声进行迭代去噪处理,去噪扩散概率模型(DDPMs)在各种图像生成任务中取得了令人印象深刻的性能。本文提出了部分扩散模型(PartDiff),通过将图像扩散到中间潜在状态而不是纯随机噪声来生成新数据,并采用近似于低分辨率图像扩散的潜在状态来逼近中间潜在状态。实验证明,与纯扩散基础的超分辨率方法相比,部分扩散模型可以显著减少去噪步骤的数量而不损失生成的质量。
Jul, 2023
通过使用随机上下文模型(SCMs)产生训练数据,首次对 Denoising Diffusion Probabilistic Models(DDPMs)在医学成像领域相关信息学习能力进行了系统评估,结果表明 DDPMs 在生成具有空间上下文的图像方面具有显著的能力,可能在数据增强任务中具有 GANs 所不能达到的优势。
Sep, 2023
最近,通过生成以输入图像为条件的分割掩模,去噪扩散概率模型广泛应用于图像分割。然而,以往的研究无法无缝地将现有端到端模型与去噪扩散模型结合使用。我们提出了一种新的去噪扩散过程,Resfusion,通过马尔可夫过程在似然输出和实际输出之间建立联系,逐步生成分割掩模或任何类型的目标图像,无缝地整合了最先进的端到端模型和去噪扩散模型。实验结果表明,Resfusion 结合了现有端到端模型和去噪扩散模型的能力,进一步提高了性能,取得了出色的结果。此外,Resfusion 不仅限于分割任务,还可以轻松推广到图像生成的任何通用任务,并展现出强大的竞争力。
Nov, 2023
Fast-DDPM 是一种简单而有效的方法,可同时提高训练速度、采样速度和生成质量,通过仅使用 10 个时间步进行训练和采样,相比 DDPM,Fast-DDPM 能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法,并将训练时间缩短了 5 倍,采样时间缩短了 100 倍。
May, 2024
提出了一种自适应语义增强的 DDPM 模型,通过引入 Transformer 来提高 DDPM 的保留细节能力,解决了噪声生成过程中的高频细节重建问题,并通过残差特征融合策略在多个层次上实现了两个解码器之间的信息交换,进而在超分辨率和下游应用中取得了出色的性能。
Mar, 2024