改进的高效二阶段去噪扩散电力系统测量恢复对抗假数据注入攻击和数据丢失
通过改进 U-net 架构并结合扩散模型的基本原理,本研究提出了一种时间序列扩散方法 (TSDM),通过前向扩散和逆向去噪过程对时间序列进行生成,并在振动信号生成、特征提取和小样本故障诊断等方面进行了实验证明。结果显示,TSDM 能够准确生成时序中的单频和多频特征,并能在扩散生成的轴承故障序列中保留基本频率特征,同时可提高三个公共轴承故障数据集的小样本故障诊断准确率。
Dec, 2023
扩展前述的隐式条件方法,我们提出了一种新的框架,通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力,有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。
Jan, 2024
Denoising diffusion probabilistic models (DDPMs) are becoming the leading paradigm for generative models. In this paper, we propose Diffusion-TS, a novel diffusion-based framework that generates high-quality multivariate time series samples using an encoder-decoder transformer with disentangled temporal representations, aiming to satisfy both interpretability and realness.
Mar, 2024
提出了一种名为 Step-Adaptive Training 的创新训练策略,通过在初始阶段训练一个基础去噪模型来涵盖所有时间步长,然后将时间步长分成不同的组,在每个组内进行微调以实现专门的去噪能力,这种方法不仅提高了模型性能,还显著降低了计算成本。
Dec, 2023
本文提出了基于去噪扩散概率模型的无线通信方案,旨在解决实际应用中的硬件损伤、信道失真和量化误差等非理想因素,提供低信噪比下的网络韧性、对不同硬件损伤水平和量化误差的近不变重建性能,以及抵抗非高斯噪声的强大分布外表现,并通过余弦相似度和均方误差(MSE)评估与传统深度神经网络(DNN)接收机相比的超过 25 dB 改进的重建性能。
Oct, 2023
通过在扩散模型中引入两个辨别器(扩散辨别器和频谱图辨别器),我们提出了一种音频合成模型,其在各项评估指标中均优于 FastSpeech2 和 DiffGAN-TTS,并通过结构相似性指数、梅尔倒谱失真、F0 均方根误差、短时客观可懂性、语音质量感知评估和主观平均意见得分等客观和主观度量对该模型进行了评估。
Aug, 2023
该研究探讨了扩散模型在无监督和半监督异常检测中的应用,并在相应的基准测试中表现出了出色的性能,特别是在 DTPM 中,使用深度神经网络提高推断效率,获得了比 DDPM 更快的推理时间和更好的性能。
May, 2023
本研究提出了一种被称为 TDiffDe 的截断扩散模型,用于逐步恢复高光谱图像中的有用信息,从而解决由于传感器设备和成像环境引起的噪声问题。
Nov, 2023
使用 Transition-aware weighted Denoising Score Matching(TDSM)训练带有噪声标签的条件扩散模型,其中 TDSM 目标函数包含得分网络的加权和,并整合了实例级和时间相关的标签转移概率。通过在各种数据集和噪声标签设置上进行实验证明,TDSM 可以提高与给定条件相匹配的生成样本的质量,甚至在常见基准数据集上也能提高生成性能,从而证明了噪声标签对于生成模型学习的潜在风险以及 TDSM 在传统噪声标签修正的基础上进一步提高性能的实证贡献。
Feb, 2024
通过研究发现,即使微小的最坏情况扰动由替代模型传递而来,去噪扩散模型仍然能够生成可能误导临床医生的假组织结构,这种扰动的可转移性表明由于磁共振系统的不完善或其他噪声源,图像重构的鲁棒性可能会受到损害。此外,在更大的扰动强度下,扩散模型会产生与监督模型中观察到的不同且更具挑战性的类似高斯噪声的伪影,这强调了当前最先进的基于扩散的重构模型对可能的最坏情况扰动的脆弱性,并强调了在临床环境中改善其鲁棒性和可靠性的进一步研究的必要性。
Jun, 2024