Apr, 2024

基于模拟自由流动的动态条件最优传输

HTML
PDF
TL;DR我们研究了条件最优传输的几何性质并证明了一种推广了Benamou-Brenier定理的动力学表述。利用这些工具，我们提出了一种无需模拟的基于流的条件生成建模方法。我们的方法通过三角形条件最优传输方案将任意源分布与指定目标分布相耦合。我们借鉴流匹配的框架，通过近似由该条件最优传输方案诱导的测度测地线路径来训练条件生成模型。我们的理论和方法可在无限维设置中应用，非常适用于逆问题。在实证方面，我们将我们提出的方法应用于两个图像转换任务和一个无限维贝叶斯逆问题。
发现论文，激发创造
  • 切片-瓦瑟斯坦流：通过最优输运和扩散的非参数生成建模

    本研究提出了一种基于梯度流的、无需参数的算法，用于学习复杂数据集的潜在分布和从中进行抽样。该算法是建立在隐式生成建模 (IGM) 与最优输运之间的联系理论基础上，并通过泛函优化问题的方式得以实现。通过梯度流和随机微分方程的联系，该算法既能高效地解决优化问题，还提供了理论分析和有限时间误差保证。实验结果表明，该算法能够成功地捕捉不同类型的数据分布结构。

    Jun, 2018

  • C-Flow：用于图像和3D点云的条件生成流模型

    通过引入一种新的条件方案C-Flow，该研究将基于流的生成模型扩展到了全新的场景，针对多模态数据建模，包括图像、分割图和边缘掩膜等。还针对无序3D点云建立了新的策略，并针对三维重建、图像渲染和多模态图像之间的映射提出了应用，以及实现了高度可适应性的应用。

    Dec, 2019

  • 生成建模中的流匹配

    基于连续归一化流的生成建模范例中，发现使用流匹配方法与扩散路径一起训练更具有鲁棒性和稳定性，并且可以开启使用优化运输插值定义的非扩散概率路径，该方法比传统扩散模型更适用于训练 ImageNet，并能快速生成可靠采样结果。

    Oct, 2022

  • 基于最优传输的条件采样生成流

    提出了一种非参数生成模型，通过使用三角形状的传输映射来描述目标分布的条件分布，解决了基于参数的偏差和梯度优化器学习这些转换的可靠性问题。

    Jul, 2023

  • 图像、3D动画和视频的条件生成建模

    通过探索条件生成模型的新的形式和在图像、3D动画和视频中的创新应用，本论文试图在计算机视觉领域推动创新。我们的研究聚焦于提供噪声和视觉数据的可逆变换的体系结构，并应用编码器-解码器结构进行生成任务和3D内容操作。在所有情况下，我们都将条件信息纳入生成过程中，以提高视觉数据的合成效率和生成内容的质量。

    Oct, 2023

  • 基于条件最优传输的高效神经网络方法和贝叶斯推断应用

    我们提出了两种神经网络方法来近似求解静态和动态条件优化传输问题（COT），这两种方法能够对条件概率分布进行抽样和密度估计，在贝叶斯推断中是核心任务。我们的方法将目标条件分布表示为可处理的参考分布的转换，因此属于测度传输框架。这些方法利用了COT问题的静态和动态公式的结构，通过神经网络来参数化COT映射以提高可扩展性。我们通过使用基准数据集和贝叶斯反问题将其与最先进的方法进行比较，证明了它们的有效性和效率。

    Oct, 2023

  • 扩展流匹配：一种具有广义连续方程的条件生成方法

    本文基于流匹配理论开发了基于流匹配的条件生成理论，通过广义连续性方程数学框架，匹配矩阵场而非向量场，确保生成的条件分布的连续性，并通过实验和数学结果验证了我们的理论。

    Feb, 2024

  • 最佳流匹配：一步学习直线轨迹

    发展流匹配方法用于生成模型，追求流的直线轨迹，实现最优输运位移；文章提出一种新颖的最优流匹配方法，在一步流匹配中恢复二次成本下的直线输运位移。

    Mar, 2024

  • 有条件的Wasserstein距离在贝叶斯OT流匹配中的应用

    本文介绍了通过一组有限的耦合来定义条件Wasserstein距离，通过松弛条件Wasserstein距离来近似速度场，提出了OT Flow Matching的扩展，并展示了其在贝叶斯逆问题和条件图像生成中的数值优势。

    Mar, 2024

  • 可扩展的无模拟熵不平衡最优传输

    本研究通过提出一种可扩展且无需模拟的方法来解决熵不平衡最优传输（EUOT）问题，填补了传统最优传输模型在训练和评估过程中高昂模拟成本的空白。我们基于斯特克过程解释推导了EUOT的问题的对偶形式及最优性条件，并验证了该模型在生成建模和图像到图像转换任务中具有显著的扩展性和效率提升。

    Oct, 2024