Dec, 2023

$ρ$-Diffusion：一种基于扩散的计算物理密度估计框架

PDF
TL;DR提出了一种新方法 —— 密度扩散（$ ho$-Diffusion），该方法可以用于物理学中的多维密度估计，并能通过任意数量的感兴趣的物理参数来进行条件建模。
densityparameterizationdenoising diffusion modelsmultidimensional density estimationhashing technique
发现论文，激发创造
  • 粒子去噪扩散采样器

    利用新颖的评分匹配损失，我们提出了一种基于粒子迭代方案的粒子去噪扩散取样器（PDDS），它能够在温和假设下提供渐近一致的估计，我们在多模态和高维取样任务上演示了 PDDS。

    Feb, 2024

  • 函数空间中的基于分数的扩散模型

    本研究提出了一种名为去噪扩散算子的数学严谨框架，用于在函数空间中训练扩散模型，将它推广到无限维函数空间的应用，其中前向过程是逐渐扰动输入函数，生成过程是通过积分的函数值 Langevin 动力学实现。

    Feb, 2023

  • 受限域的扩散模型

    本研究提出两种方法来扩展扩散模型至通过不等式约束定义的流形，包括基于对数障碍度量的失真度量以及基于反射布朗运动的失真度量，在合成和真实任务中进行了实证表明，包括蛋白质骨架和机器人臂运动的约束构象模拟。

    Apr, 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

  • 统计空间非均匀扩散推断

    从离散观测数据中推算出扩散方程是一个在各个领域中具有重要统计意义的挑战，我们提出了使用基于神经网络的估计方法，对漂移项和空间非均匀扩散张量进行估计，并在漂移项和扩散张量连续可微的情况下提供了统计收敛保证，我们的界限与非参数函数估计的极小极限速率 $N^{- rac {2s}{2s+d}}$ 一致，即使存在观测数据内的相关性，这需要在建立快速泛化界限时进行仔细处理，我们的理论结果得到通过数值实验证明了对空间非均匀扩散张量的准确推断。

    Dec, 2023

  • 扩展黎曼扩散模型

    基于黎曼流模型，通过改进近似方法和利用对称空间，我们能够在高维度上学习分布并得到明显改进，包括模拟非平凡流形上的 QCD 密度并对高维超球上的学习嵌入进行对比实验。

    Oct, 2023

  • DiffRF: 基于渲染引导的 3D 辐射场扩散

    DiffRF 是一种针对三维辐射场合成的新方法，利用去噪扩散概率模型生成体积辐射场。通过将去噪公式与渲染损失配对，我们的模型可以学习偏态先验，使其倾向于良好的图像质量而不是试图复制浮动伪像等拟合误差。与 3D GAN 相比，我们的扩散方法自然地实现了条件生成，例如掩蔽完成或推理时的单视图 3D 合成。

    Dec, 2022

  • 去噪扩散概率模型用于预测分子云密度

    本文介绍了新颖的深度学习去噪扩散概率模型（DDPM）方法，用于从投影质量表面密度图中推断巨大分子云（GMC）的体积或数量密度，该扩散方法相较于其他方法，能在预测数量密度方面提高一个数量级。

    Apr, 2023

  • 用扩散模型去噪蒙特卡洛渲染

    扩散模型对低分辨率图像进行去噪，利用自然渲染信息进行条件控制，与现有方法在不同采样率下有较强竞争力，但当前指标未能准确评估重建质量。

    Mar, 2024

  • 去噪扩散模型和抽样器的表达能力注记

    本论文探讨将随机控制方法运用于泛化的去噪扩散模型及样本生成中，并尝试将现有的神经网络近似方法应用于去噪扩散模型及样本生成中。

    May, 2023