扩散模型中的补偿采样以提高收敛性
本文介绍了一种基于扩散模型的新型通用去噪扩散模型,采用线性插值进行扩散,中间的噪声图像从原始的清晰图像和相应的真实噪声图像进行插值,使得该扩散模型可以处理添加噪声的级别,并且提出了两种采样算法,实验证明该模型在真实去噪基准测试中表现良好。
May, 2023
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
本文介绍了一种通过扩展扩散模型进行图像修复的新方法,该方法利用生成过程中与测量身份一致的样本,并结合测量信号与初始化信息来提高生成过程的效果。实验证明了该方法在不同的图像修复任务中的有效性。
Feb, 2024
本文提出了一种基于多模式条件 GAN,使其具有高样本质量、高模式覆盖和快速采样三个特性的去噪扩散生成对抗网络,同时在 CIFAR-10 数据集上比原扩散模型快 2000 倍,并且是第一种将采样成本降至足够低以便于应用于实际应用的模型。
Dec, 2021
训练深度神经网络已成为解决图像恢复问题的常用方法,本文提出了一种基于预条件的新型引导技术,它在恢复方案中的实现要比现有方法简单,同时对噪声具有抗干扰性,适用于图像去模糊和超分辨率的任务。
Dec, 2023
通过加入输入扰动以模拟推理时间预测误差,本文提出了一种简单而有效的训练正则化方法,以减轻 Denoising Diffusion Probabilistic Models 模型中的错误积累现象,并在维持较高的采样质量的同时,显著减少训练和推理时间。
Jan, 2023
扩散模型在图像生成和编辑领域取得了显著的成功。我们提出了一种创新的框架,其中包含一个修正模块,用残差特征调节扩散模型权重,以填补编辑过程中准确性的差距。此外,我们引入了一种新的学习范式,旨在在编辑过程中最小化错误传播。通过大量实验证明,我们的提议框架和训练策略在各种去噪步骤下实现了高保真的重建和编辑结果,并在定量指标和质量评估方面表现出色。此外,我们还通过图像到图像的转换和跨领域图像编辑等多个应用探索了模型的泛化能力。
Dec, 2023
利用新型采样框架和先进的扩散模型,我们提出了一种从射频数据中重建图像的方法,以加速高质量图像的生成过程。通过实验评估,我们的方法在单平面波条件下胜过了具有 75 个平面波空间相干合成的传统延迟和求和 (DAS) 技术。
Dec, 2023
本篇论文介绍了一种新的技术,将多步去噪过程压缩为单步的知识蒸馏方法,从而提高图像生成的采样速度,且不需要对抗训练,通过在 CIFAR-10、CelebA 数据集上的实验表明,我们的去噪学生 Denoising Student 能够生成与 GANs 相当的高质量样本,并可扩展到更高像素的图像生成任务。
Jan, 2021
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