Dec, 2023

扩散噪声特征：准确快速的生成图像检测

PDF
TL;DR生成模型能够产生逼真的图像，但也可能传播虚假或误导性信息。本文通过寻求具有强大泛化能力的表示形式来增强对生成图像的检测，并提出了一种名为 Diffusion Noise Feature（DNF）的图像表示方法，利用潜在的高斯表示差异提升生成图像中的微小伪迹。在 DNF 上训练的简单分类器（如 ResNet）能够实现高准确性、鲁棒性和泛化能力，即使对于之前未见的类别或模型，也能检测生成图像。通过在广泛认可的标准数据集上进行实验，获得了检测效果的最新成果。
发现论文，激发创造
  • 扩散模型在图像分类上胜过 GAN

    本文探讨了使用一种单一的预训练阶段进行生成性和判别性任务的统一表征学习器 —— 扩散模型，并发现这种模型在图像分类任务中具有优异的性能，特别是在经过精心特征选择和池化的情况下，扩散模型明显优于 BigBiGAN 等其他可比较的生成 - 判别方法

    Jul, 2023

  • 扩散模型实现逼真噪声合成

    该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

    May, 2023

  • 物理相关扩散模型

    通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。

    Mar, 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

  • Diffusion-GAN: 利用扩散训练 GAN

    本文提出了一种基于扩散链的新型生成对抗网络 ——Diffusion-GAN，该网络通过将高斯分布的 “实例噪声” 注入到鉴别器以增加其稳定性，同时通过鉴别器的时步依赖策略给生成器提供一致有效的指导，从而使其在多个数据集上实现更高效、更稳定和更真实的图像生成能力。

    Jun, 2022

  • GeNIe：通过扩散生成难负样本图像

    数据增强在训练深度模型中至关重要，防止其对有限数据过拟合。常见的数据增强方法虽然有效，但最近生成式人工智能的进展，如用于图像生成的扩散模型，使得更复杂的增强技术成为可能，能够生成类似于自然图像的数据。我们引入了 GeNIe，它利用一个以文本提示为条件的扩散模型，将对比的数据点（源类别的图像和目标类别的文本提示）合并起来生成对目标类别具有挑战性的样本。受到最近图像编辑方法的启发，我们限制扩散迭代次数和噪声量。这确保生成的图像保留源图像的低级和上下文特征，可能与目标类别产生冲突。我们的大量实验证明了我们的新型增强方法的有效性，尤其对于只有有限样本的类别有益。

    Dec, 2023

  • 冷扩散：无需噪声即可反转任意图像转换

    通过改变图像退化处理方法，可以构建一系列生成模型，并且即使使用完全确定性的退化方法，也可以轻松推广扩展扩散模型的训练和测试时间更新规则，为翻转任意过程的扩散模型打下基础，这一成功也质疑了该社区对扩散模型的理解。

    Aug, 2022

  • 无文本扩散模型是否学习到有辨别力的视觉表征

    一个统一的表示学习模型，通过使用扩散模型、U-Net、注意机制和反馈机制，能够在多个任务上竞争最先进的无监督图像表示学习方法。

    Nov, 2023

  • 图像神经场扩散模型

    通过在图像神经场上训练扩散模型，我们可以学习连续图像的分布，并显示其在分辨率上的优势。我们提出了一种简单而有效的方法，可以将现有的潜在扩散自动编码器转换为图像神经场自动编码器。通过使用混合分辨率图像数据集对其进行训练，我们证明了图像神经场扩散模型优于固定分辨率扩散模型后跟超分辨率模型，并能高效地解决应用于不同尺度的逆问题。

    Jun, 2024

  • 动态双输出扩散模型

    在这篇文章中，我们发现了扩散模型生成质量受到迭代次数限制的根本原因，并提出了一个简单而有效的解决方案来缓解这些影响。我们的解决方案可以应用于任何现有的扩散模型，并且在各种 SOTA 体系结构上运行多个数据集和配置进行实验和详尽的消融研究，证明能够立即提高它们的生成质量。

    Mar, 2022