Apr, 2024

NAF-DPM: 一个用于文档增强的非线性无激活扩散概率模型

PDF
TL;DR提出一种基于扩散概率模型 (DPM) 的新型生成框架 NAF-DPM，用于恢复被损坏文档的原始质量。通过引入高效无线激活的网络和快速求解常微分方程的采样器，减少了 DPM 的推断时间。实验证明，该方法在像素级和感知相似度度量方面达到了最先进的性能，并且增强了 OCR 系统在转录被我们框架加强的真实文档图像时的字符错误率。
发现论文，激发创造
  • 借助基于 Glyph 条件去噪扩散概率模型生成的训练样本改进手写 OCR

    提出一种 DDPM 概率模型用于生成手写体图像样本，并引入渐进式数据过滤策略，可将 OCR 模型在 IAM 基准任务上的错误率相对降低 45%。

    May, 2023

  • Adv-KD: 教师对抗知识蒸馏以加速扩散采样

    通过将去噪步骤直接整合到模型的架构中，本研究提出了一种新方法，将扩散模型与生成对抗网络结合起来，通过知识蒸馏实现更高效的训练和评估，从而减少了所需的参数和去噪步骤，提高了测试时的采样速度。

    May, 2024

  • 通过扩散模型实现语义图像合成

    本篇论文提出了一种基于 DDPM 的新型框架，用于语义图像合成，通过条件扩散模型来处理语义布局与噪声图像，而引入分类器自由的引导采样策略来进一步提高了生成质量和语义可解释性。

    Jun, 2022

  • 医学图像生成的快速去噪扩散概率模型

    Fast-DDPM 是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用 10 个时间步进行训练和采样，相比 DDPM，Fast-DDPM 能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训练时间缩短了 5 倍，采样时间缩短了 100 倍。

    May, 2024

  • 具有明确转移概率的解耦扩散模型

    本文提出了一种名为 DDM 的扩散模型，通过将复杂的扩散过程分解为两个相对简单的过程，来提高生成效果和速度，它通过显式转移概率近似图像分布，并通过标准维纳过程控制噪声路径；文章还提出了一个新的 DPM 训练目标，能够分别预测噪声和图像成分，同时，DDM 的逆向去噪公式可以自然地支持少数的生成步骤（不需要基于 ODE 的加速器），实验结果表明，DDM 在更少的函数评估方面优于以前的 DPM。

    Jun, 2023

  • 离散状态空间中的结构去噪扩散模型

    本文提出了离散去噪扩散概率模型（D3PM），用于离散数据的扩散式生成模型，包括了仿真高斯核、嵌入空间中基于最邻近、引入吸收状态等过渡矩阵。研究表明过渡矩阵的选择对图像和文本领域下的生成模型结果至关重要，且提出的新损失函数在字符级别文本生成上取得了很好的效果。

    Jul, 2021

  • 基于扩散的图像修复统一条件框架

    本文提出了一种基于扩散模型的统一条件框架，结合了轻量级 UNet 和固有的差异模型来增强图像恢复的物理约束，采用基本和集成模块实现了对所有块的引导和其他辅助条件信息的整合，并提出了简单而有效的截距补丁分裂策略，将其用于低光量去噪、去模糊和 JPEG 图像恢复的挑战任务中，得到了显著的感知质量提升和恢复任务的推广。

    May, 2023

  • DECDM：利用循环一致性扩散模型进行文档增强

    基于扩散模型的光学字符识别（OCR）在自动文档处理和文档智能方面对文档图像质量非常依赖，研究提出了一种新的端到端文档级图像转换方法 DECDM 来解决现有方法的数据分离和隐私保护问题，该方法通过独立训练源和目标模型，消除了配对训练的限制，提高了性能的数量和质量的比较。

    Nov, 2023

  • 基于扩散概率模型的深度紫外荧光图像乳腺癌自动检测的深度学习

    本文使用扩散概率模型（DPM）来增强深紫外荧光（DUV）图像数据集，以改进乳腺癌分类的手术切缘评估，结果显示使用 DPM 显著提高 DUV 图像中的乳腺癌检测性能。

    Jul, 2024

  • 改进降噪扩散概率模型

    通过对 DDPM 模型进行简单修改，可以在保持高质量样本的同时达到具有竞争力的对数似然值，并学习反向扩散过程的方差，从而使用数量级更少的正向传递采样。使用精度和召回率比较 DDPM 和 GAN 模型的性能，并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。

    Feb, 2021