物理相关扩散模型
该论文探讨了在先验概率和一个基于 $x$ 和 $y$ 的不等式约束条件下利用高维数据推断潜在结果。通过使用一个独立训练的去噪扩散生成模型和不同的不等式约束,该方法能应用于各种不同领域的任务,例如条件生成、图像分割以及求解组合优化问题等。
Jun, 2022
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
本文提出了一种基于去噪扩散概率模型的条件生成模型,通过把一个已知的、可求导的正向模型集成到去噪过程中,实现了间接观测信号的采样, 并在三项具有挑战性的计算机视觉任务中进行了验证。
Jun, 2023
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
在这篇文章中,我们发现了扩散模型生成质量受到迭代次数限制的根本原因,并提出了一个简单而有效的解决方案来缓解这些影响。我们的解决方案可以应用于任何现有的扩散模型,并且在各种 SOTA 体系结构上运行多个数据集和配置进行实验和详尽的消融研究,证明能够立即提高它们的生成质量。
Mar, 2022
通过将信息理论中的信息与最小均方误差回归相联系,我们引入了扰动扩散模型的新数学基础,并将现有的扩散界限进行了优化,从而使得连续和离散概率可以通过相同的回归目标来学习,从而避免了变分方法中使用的特定领域的生成模型。
Feb, 2023
本研究提出一种新颖的物理知情扩散模型,用于生成合成的净负荷数据,解决数据稀缺和隐私问题。该模型将物理模型嵌入去噪网络中,提供了一种多功能方法,可以轻松推广到未预料的情景。利用来自 Pecan Street 的真实智能电表数据,我们验证了所提出的方法,并通过与生成对抗网络、变分自动编码器、标准化流以及经过良好校准的基线扩散模型等最先进的生成模型进行了全面的数值研究,使用一套全面的评估指标来评估生成的合成净负荷数据的准确性和多样性。数值研究结果表明,所提出的物理知情扩散模型在所有定量指标上优于最先进的模型,至少提供了 20% 的改进。
Jun, 2024