通过对易变去混噪器的松弛要求,我们提出了一种新的去混噪器,最大限度地提高了反合成模型的表达能力和适用性。在 USPTO-50k 数据集上,我们的新模型实现了最高的 top-1 准确率(54.7%),同时在小扩散步数的情况下展示了灵活的后期训练条件和优质的样本质量,突显了交互式应用和多步规划的额外控制的潜力。
May, 2024
提出了一种新颖的图去噪扩散模型,使用氨基酸替代矩阵对扩散过程进行编码,并在多种基准方法中实现了最先进的序列恢复性能,为特定的蛋白质骨架结构生成多样性的蛋白序列具有极大的潜力。
Jun, 2023
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
本文提出使用去噪扩散模型的内部表示来适应新条件,以解决向这些模型提供条件信息的难题,并演示如何使用生成的合成图像增强 Tiny ImageNet 训练集从而提高 ResNet 基线的分类精度。
通过图像条件实现的一种新颖的有条件蒸馏方法,将扩散模型的先验知识与图像条件相结合,大大简化了以往两阶段的蒸馏过程,并通过少量的额外参数和冻结的无条件主干网络实现了一种新的高效蒸馏机制,实验结果表明,该方法在多个任务上的表现优于现有的人工蒸馏技术,并且是第一个能够与更慢的精细调优有条件扩散模型相匹配的蒸馏策略。
Oct, 2023
本文提出了一种基于条件扩散的离散图结构(CDGS)的分子图生成方法,通过随机微分方程(SDE)实现正向图扩散过程并得出离散图结构作为逆向生成过程的条件,利用普通微分方程(ODE)求解器进行高效的图采样,在各种数据集上验证了该框架的有效性,特别是在有限的步骤中仍能生成高质量的分子图。
Jan, 2023
扩散模型在图像重建中表现出优异的性能,提出了一种基于贝叶斯条件技术的扩散模型,通过条件得分函数来解决图像重建中出现的挑战性逆问题,并在图像去混叠、去模糊、超分辨率和修复中展现出最新技术的性能。
Jun, 2024
我们提出了一种方法将复杂的多步扩散模型提炼为单步有条件生成对抗网络学生模型,从而大大加速推理过程,同时保持图像质量。我们的方法将扩散提炼解释为一种对应的图像到图像转换任务,使用扩散模型 ODE 轨迹的噪声到图像对。为了进行高效的回归损失计算,我们提出了一种在扩散模型的潜空间中直接操作的感知损失 E-LatentLPIPS,利用增强的集合。此外,我们改进了扩散模型,构建了一个多尺度鉴别器,具有文本对齐损失,建立了一种有效的基于条件生成对抗网络的公式。即使考虑到数据集构建成本,E-LatentLPIPS 也比许多现有的提炼方法更高效。我们证明我们的一步生成器在零样本 COCO 基准测试上优于最先进的一步扩散提炼模型 - DMD、SDXL-Turbo 和 SDXL-Lightning。
本文提出了一种半监督变分自编码器模型,能够同时进行属性预测和分子生成,从而高效生成具有所需属性的新分子。我们从估计好的生成分布中进行采样以生成新的分子,并在药物样分子上证明了该模型的有效性、改进了属性预测的性能,并高效生成满足各种目标条件的新型分子。
Apr, 2018
本文提出了一种新的扩散模型来解决 3D 分子生成中的两大挑战,即缺乏分子间关系和探索不足,该模型表现明显优于现有方法。
Sep, 2022