通过扩展扩散模型,使用扩散桥模型作为一种自然替代方法,该模型通过从数据中学习扩散桥分数并解决基于这些分数的(随机)微分方程,将一种分布映射到另一种分布,从而实现图像编辑等应用中纳入非随机噪声信息的目标。
Sep, 2023
引入反射谢尔宾格算法:一种在多样有界域中生成数据的熵正则化的最优传递方法,通过反演的前后向随机微分方程与诺依曼和罗宾边界条件相结合,扩展基于散度的封闭域似然训练,并探索与熵正则化最优传送的自然联系,用于近似线性收敛的研究 —— 这对实际训练是非常有价值的见解。该算法在多样有界域中产生强大的生成模型,并通过标准图像基准测试展示其可扩展性。
Jan, 2024
本文介绍了扩散式生成模型的成功之处以及其与一般 CTMs 和 GCTMs 的关系,并证明了 GCTMs 在图像操纵任务中的有效性。
Mar, 2024
该研究提出了反射扩散模型用于处理复杂任务中分数扩散模型中的数值误差,通过学习扰动得分函数,并扩展标准扩散模型的关键组成部分,包括扩散指导、基于似然的训练和 ODE 采样来从数据支持的反射随机微分方程开始进行反演。
Apr, 2023
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。
本文介绍了基于去噪扩散模型的生成模型,提出了基于 Schrödinger bridge 的生成建模方法来缩短生成时间,并将其扩展到条件模拟中,用于各种应用,包括图像超分辨率、状态空间模型的最优滤波和预训练网络的优化。
Feb, 2022
图像修复是一个具有挑战性的任务,在近期,扩散模型在图像的生成上取得了显著的进展,但关于扩散模型在图像修复中的应用却鲜有综合且有启发性的研究,本文首次对基于扩散模型的图像修复方法进行全面的综述与评估,并提出了未来研究的五个潜在和具有挑战性的方向。
Aug, 2023
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
通过扩散模型结合曲率正则化、全局结构感知正则化和不确定性引导正则化等技术,在低光图像增强问题上取得突破性进展,提高了图像质量、噪声抑制和对比度放大的效果。
Oct, 2023
利用去噪扩散隐式模型进行桥梁创新,通过图像加噪和去噪的过程,以尸体腐烂和侦探恢复被杀害受害者现场的过程为比喻,通过易于理解的代数方法,推导出加噪和去噪的函数公式,使初学者更容易掌握该模型的数学原理。基于 Python 编程语言、TensorFlow 和 Keras 深度学习平台框架,构建和训练了对称结构的图像数据集,模型可以从潜在空间采样生成具有非对称结构的新的桥梁类型,可以有机地结合不同的结构部件在人类原始桥梁类型的基础上创造新的桥梁类型。
Feb, 2024