利用热扩散进行图着色
利用图神经网络解决图着色问题,将图着色视为多类节点分类问题,利用基于统计物理学的 Potts 模型的无监督训练策略。我们展示了该方法在实际应用中的性能,并提供了数值基准结果。
Feb, 2022
本文提出了一种新的基于曲线几何的迭代算法来优化逆扩散曲线问题,使用这种算法能够更好的控制曲线的形状并生成干净的、形态良好的扩散曲线图像,以逼近用户所提供的颜色字段。
Oct, 2016
半监督分类的目标是基于所知少数节点(称为种子)的标签来为图的所有节点分配标签。本文证明了在计算得分之前需要对节点的温度进行居中处理,否则该算法是不一致的。这一关键步骤不仅使得算法在块模型上可以证明是一致的,还在实际图上带来了显著的性能提升。
Nov, 2023
本文提出了一种基于扩散算法生成图像的模型,将前向热方程的解释为噪声后的扩散潜变量模型的变分近似。其具有整体颜色和形状解耦的性质,同时通过自然图像上的谱分析,揭示了其暗含的自上而下的归纳偏置。
Jun, 2022
使用图像扩散技术和细粒度文本提示的新型图像上色框架,实现了既语义合适又能提高用户对上色过程控制水平的上色输出,通过预训练的生成扩散模型进行微调并评估颜色鲜艳度,适用于颜色增强和历史图像上色。
Dec, 2023
本文介绍了一种基于数据的方法,用于学习适应底层网络拓扑特征的类特定扩散函数,从而改善扩散分类器的性能并提高分类准确性,超过了依赖于节点嵌入和深度神经网络的最先进方法。
Apr, 2018
通过使用具有防碰撞功能的扩散核进行训练,我们提出了一种在推理时间仅使用单个视觉输入生成可达目标并规划避开障碍物的运动的方法,该方法有效解决了推理时间障碍物检测和额外设备需求的挑战,在多模态环境中具有鲁棒性,能够导航到目标并避免由障碍物阻挡的不可达目标,同时确保避免碰撞。
Oct, 2023