Feb, 2024

通过视觉分析解释生成扩散模型以实现可解释的决策过程

PDF
TL;DR通过可视化分析和实验结果，我们提出并回答三个研究问题，从可视概念和模型关注的区域的角度解释扩散过程，展示了在扩散过程中输出如何逐渐生成，通过不同时间步骤中的噪声去除程度和与基础可视概念之间的关系强调了可视概念的变化水平，从而为了解扩散机制提供了见解，并为进一步研究提供了奠基。
diffusion modelsdiffusion processvisual conceptsregion attentionexplainable diffusion mechanisms
发现论文，激发创造
  • 视觉中的扩散模型：一项调研

    本综述为关于应用于计算机视觉的去噪扩散模型文章提供了全面的回顾，包括在领域中的理论和实际贡献，提供了三种通用扩散建模框架，并介绍了扩散模型与其他深度生成模型之间的关系，并引入了在计算机视觉中应用扩散模型的多个视角分类，最后，我们说明了离散模型的当前限制并预见了未来研究的一些有趣方向。

    Sep, 2022

  • 低层视觉中的扩散模型：概述

    这篇综述论文全面地评估了扩散模型技术，并探讨了它们与其他深度生成模型的相关性，建立了理论基础。同时，该论文还总结了扩散模型在医学、遥感和视频等领域应用的情况，提供了常用基准和评估指标的概述，以及针对三个主要任务的扩散模型技术的全面评估。最后，作者指出当前扩散模型的局限性，并提出了未来研究的七个有趣方向。这篇综述论文旨在加深人们对于在低层次视觉任务中的去噪扩散模型领域的全面理解。

    Jun, 2024

  • 扩散模型生成如画家一样的图像：线条先行，细节随后的分析理论

    本文针对扩散生成模型如何将纯噪声转化为有意义的图像进行了研究，提出了基于高维景观的动力学建模方法，揭示了不同训练数据中的场景元素所呈现的具体细节先后顺序，并提出了一种生成可解释图像变化的新方法。

    Mar, 2023

  • 图像与视觉扩散模型教程

    生成工具的惊人增长赋予了文本向图像生成和文本向视频生成等许多令人兴奋的应用，这些生成工具的底层原理是扩散概念，一种克服了以前方法中困难的特定抽样机制。本教程旨在讨论扩散模型的基本思想，目标受众包括对扩散模型进行研究或将其应用于解决其他问题的本科和研究生学生。

    Mar, 2024

  • 异形山谷：扩散模型的全面分析

    通过扩散模型（Diffusion Models），我们在生成高质量图像方面取得了重要进展，通过系统研究不同扩散模型架构的关键方面，如噪声调度、采样器和引导，我们深入探索了这些模型的核心操作原理。通过全面分析这些模型，我们揭示了它们隐藏的基础机制，揭示了对其有效性至关重要的隐藏关键因素。我们的分析强调了决定模型性能的隐藏关键因素，为扩散模型的发展提供了见解。

    Feb, 2024

  • 生成式扩散模型的理论研究综述

    生成扩散模型的理论发展主要分为两种方法，基于训练和基于采样，将这些方法明确分类为研究者未来进行新发展提供清晰可理解的方向。

    Apr, 2024

  • 构建桥梁：理解和扩展扩散生成模型

    本研究重新考虑扩散模型的总体框架，将其视为具有未观察到扩散轨迹的潜在变量模型，并应用于数据不受限制的领域。利用最大似然估计，我们表明模型构建和潜在路径的插补都可以构造扩散桥过程，实现端点的确定值和约束条件，并提供一套系统的研究和工具，进而提出了学习扩散生成模型的第一个理论误差分析和学习不同离散和受限领域数据的简单而统一的方法。实验证明，我们的方法在生成图像、语义分段和 3D 点云方面表现出色。

    Aug, 2022

  • 艺术生成的扩散式创意探索

    利用最新的扩散模型生成创意艺术，通过将文本文档与粗略草图作为辅助信息进行模型训练，取得了令人满意的实验结果。

    Jul, 2023

  • 基于扩散模型的标签效率语义分割

    本文研究了扰动扩散概率模型在语义分割任务中的应用，特别是在标注数据有限的情况下。通过探究预训练扩散模型的中间层，我们发现它们可以有效地捕捉输入图像的语义信息，并成为像素级别的分割表示。基于这些观察，我们提出了一种简单的分割方法，能在仅有少量训练图像的情况下显著提高性能。

    Dec, 2021

  • 扩散模型在图像分类上胜过 GAN

    本文探讨了使用一种单一的预训练阶段进行生成性和判别性任务的统一表征学习器 —— 扩散模型，并发现这种模型在图像分类任务中具有优异的性能，特别是在经过精心特征选择和池化的情况下，扩散模型明显优于 BigBiGAN 等其他可比较的生成 - 判别方法

    Jul, 2023