潜变扩散模型用于属性保护的图像匿名化
研究训练以潜在空间作为输入的 LDM 的方法,与传统的 Diffusion Models 相比,通过使用预训练的自动编码器将高维像素空间降为低维潜在空间,大大提高了训练效率,并使用隐私保护的方式对不同维度的注意力模型进行训练以减少可调参数,最终的实验结果表明该方法在生成高质量合成图像时表现突出。
May, 2023
本研究介绍了一种基于文本的图像编辑方法,利用最新的扩散模型对一些基于文本主题的地方图像进行编辑,通过结合扩散模型的速度和 Blended Diffusion,提高了编辑的效率,并通过优化方法来解决扩散模型无法完美重建图像的问题,实现了比当前方法更高的精度和速度
Jun, 2022
通过引入全面的理论框架并提出新的对抗性攻击方法,本文对基于 LDM 的对抗性攻击进行了深入研究,通过严格的实验,证明该方法优于现有攻击方法,并能在不同的基于 LDM 的少样本生成流程中进行泛化,成为在新一代强大生成模型中可为暴露于数据隐私和安全风险中的人们提供更强大和高效的保护工具。
Oct, 2023
本文提出、训练和验证了使用潜在的文本到图像扩散模型来综合老化和年轻化的人脸图像,评估了该方法在 CelebA 和 AgeDB 数据集上的表现,发现与现有的最先进基线相比,误识率显著降低了约 44%。
Jul, 2023
该研究论文提出了一种统一的框架 Adv-Diffusion,可以在潜在空间而不是原始像素空间中生成不可感知的对抗性身份扰动,利用潜在扩散模型的强大修补能力生成逼真的对抗性图像。通过在周围环境中生成语义扰动的身份敏感条件扩散生成模型,设计了自适应强度的对抗性扰动算法,既能确保攻击的可传递性又能保持隐秘性。在公开的 FFHQ 和 CelebA-HQ 数据集上进行了广泛的定性和定量实验,证明该方法在没有额外的生成模型训练过程的情况下取得了卓越的性能。源代码可在此链接中获取。
Dec, 2023
通过将训练于大规模开放领域数据集的扩散模型变为生成先验,提出了一种新颖的基于扩散模型的低光图像增强方法,称为 LDM-SID,该方法通过向扩散模型中插入一组所提出的驯服模块来引导其生成过程,并在观察到扩散模型不同部分的特定生成先验后,将低频内容生成和高频细节维护二分,从而实现对扩散模型的优化结构生成和细节增强。广泛实验证明该方法在定量评估中实现了最先进的性能,并在视觉比较中显示出显著的优越性,从而强调了利用预训练的扩散模型作为 LLIE 任务的生成先验的有效性。
Dec, 2023
通过在预训练的自编码器的潜在空间中应用扩散模型,引入交叉注意力层到模型体系结构中,以更少的计算要求取得接近最优的性能,实现高分辨率合成,缩小像素级 DMs 对计算资源的需求。
Dec, 2021
本文提出了一种针对人脸图像数据集的匿名处理方案,采用生成对抗网络的潜在空间进行优化,解决现有方案中需要额外训练神经网络、没有保存面部特征等问题,实现了既保护隐私,又适合于训练机器学习模型的效果。
Mar, 2023
通过使用代表性的生成模型 —— 潜在扩散模型(LDM),我们从新的角度探索了上下文分割问题,提出了两种元架构和相应的输出对齐和优化策略。我们通过全面的消融研究发现,分割质量取决于输出对齐和上下文指令。实验证明,我们的方法在挑战性的上下文分割任务中取得了与专业模型或视觉基础模型相当甚至更强的结果,证明了潜在扩散模型也可以达到足够好的效果。
Mar, 2024
本文介绍了一种更快的图像重建框架 LMD,通过潜在遮蔽扩散方法,将高分辨率图像投影和重建在潜在空间中,设计了渐进遮蔽扩散模型,通过三种不同的调度器逐渐提高遮蔽比例,以从简单到困难地重建潜在特征,从而加快模型训练速度,同时保持了原始准确性,并在下游任务中显著提高推理速度。
Dec, 2023