CVPRMar, 2024

贝叶斯扩散模型用于 3D 形状重建

PDF
TL;DRBayesian Diffusion Models (BDM) 通过紧密地将自上而下的（先验）信息与自下而上的（数据驱动）过程通过联合扩散过程有效地进行贝叶斯推断，展现了在 3D 形状重建任务上的有效性。相较于典型的用于配对（监督）数据标签（例如图像点云）数据集训练的深度学习数据驱动方法，我们的 BDM 从单独的标签（例如点云）中引入丰富的先验信息，以改善自下而上的 3D 重建。与标准的贝叶斯框架要求显式的先验和似然不同，BDM 通过学习到的梯度计算网络通过耦合扩散过程实现无缝信息融合。我们在合成和真实的 3D 形状重建基准测试中展示了最先进的结果。
发现论文，激发创造
  • 贝叶斯条件扩散模型用于逆问题

    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

  • 使用双向扩散结合 2D 和 3D 先验的文本至 3D 生成

    以 Bidirectional Diffusion（BiDiff）为框架，同时整合 3D 和 2D 扩散过程，既保持了 3D 的真实性，又保留了 2D 纹理的丰富性，通过新颖的双向引导进一步提高一致性，将生成的过程从 3.4 小时减少到 20 分钟，以达到高质量、多样性和可伸缩性的 3D 生成。

    Dec, 2023

  • 基于双层引导扩散模型的零样本医学成像逆问题

    通过双层引导策略有效地引导初始无条件预测，并通过外层近端优化目标加强测量一致性，BGDM 相对于基线方法在生成高保真医学图像方面更加有效和高效，显著减少了严重退化情况下的幻觉性伪影。

    Apr, 2024

  • 双边去噪扩散模型

    该论文提出了新的双边去噪扩散模型（BDDMs）来提高样本生成的质量和速度，其可以更加高效和简单地训练，以及进一步优化先前训练好的模型。

    Aug, 2021

  • 基于模型的扩散轨迹优化

    无需数据的情况下通过扩散过程解决轨迹优化问题的模型驱动扩散（MBD）方法优于强化学习和基于采样的轨迹优化方法，且能与数据集集成。

    May, 2024

  • 无监督的三维离群检测与潜在扩散模型

    使用潜在扩散模型 (LDM) 实现了对高分辨率 3D 医学数据的强健异常检测，与使用潜在转换模型 (LTMs) 的方法相比，LDM 方法表现更好、对潜在表示更不敏感、内存缩放更合理以及生成更好的空间异常图。

    Jul, 2023

  • 使用预训练的 2D 扩散模型解决 3D 反问题

    本文结合传统的基于模型的迭代重建方法和现代扩散模型，提出了一种高度有效的方法来解决 3D 医学图像重建任务，包括稀疏视图断层扫描、有限角度断层扫描、预训练 2D 扩散模型压缩感知 MRI 等。我们在测试时提出了 2D 扩散先验的增强模型先验，从而实现了所有维度上的一致重建。该方法可以在单个普通 GPU 上运行，并且在最极端情况下（例如 2 视的 3D 断层扫描）表现出高保真度和准确度的重建。我们进一步揭示了该方法的泛化能力出乎意料地高，并且可以用于重建与训练数据集完全不同的体积。

    Nov, 2022

  • 降噪扩散桥模型

    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

  • 3D 点云生成的扩散概率模型

    本文提出了一个概率模型，将点云看作是处于非平衡热力学系统内的粒子，并通过扩散过程学习将噪声分布转换为所需形状分布的逆扩散过程，即点云生成过程。具体地，将点云的逆扩散过程建模为一个以某个形状因子为条件的马尔科夫链，并提供了闭合形式的变分下界以进行训练。实验结果显示，该模型在点云生成和自编码方面具有竞争性能。

    Mar, 2021

  • 逼真图像去模糊的分层集成扩散模型

    为了提高图像去模糊的速度和精确度，本文提出了一种基于分层积分的扩散模型 (HI-Diff)，利用高度压缩的潜空间进行去模糊并结合多尺度的回归方法，从而实现在复杂情景下的更好的泛化效果，实验表明 HI-Diff 在合成数据集和实际场景中均优于当前主流方法。

    May, 2023