Apr, 2024

统一建模空间变化噪声模式的一种噪声

PDF
TL;DR通过训练一种去噪扩散模型，采用数据增强和网络调节技术的新颖组合，我们提出了一个单一生成模型，可以学习生成多种类型的噪声并在它们之间进行混合，同时可以生成具有空间变化的噪声混合，而无需训练这些数据。通过控制参数和随机性，该模型的行为可由用户控制。我们还将该模型应用于改进反向程序性材料设计；使用该模型代替程序性材料图中的固定类型噪声节点可以得到更高保真度的材料重建，无需事先了解噪声类型。
procedural noisecomputer graphics pipelinesgenerative modeldata augmentationmaterial design
发现论文，激发创造
  • 扩散模型实现逼真噪声合成

    该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

    May, 2023

  • 高斯弥散：用于去噪扩散概率模型的三维高斯分布

    基于高斯喷射的文本到三维内容生成框架，通过控制高斯球的透明度实现更真实的图像生成；通过引入多视角噪声分布矫正多视角几何中的不一致性；使用变分高斯喷射技术提高三维外观的质量和稳定性。

    Nov, 2023

  • 几何神经扩散进程

    本文将扩展扩散模型的框架，将几何先验引入无限维建模，并通过构建噪声过程和近似得分实现对称性，展示了该模型适用于模拟扩散模型的任意对称性情景以及在复杂的合成场景和天气数据上的可扩展性和容量。

    Jul, 2023

  • 物理相关扩散模型

    通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。

    Mar, 2024

  • 空间无限生成模型的解释

    本文提出一种理论模型，通过将随机空间向量输入到完全卷积神经网络中，基于空间随机过程生成任意分辨率的图像，并用该模型来提高空间无限生成模型的训练效率，实现了对世界地图、全景图像和纹理合成等的任意尺寸图像的高效生成。

    Jul, 2020

  • 基于风格迁移的程序地形生成

    利用程序生成和神经风格转换的组合技术生成地形地图，并验证其能够产生多样性地形结构与真实地貌特征吻合的定制地图。

    Jan, 2024

  • 生成扩散模型的噪声估计

    本文提出一种简单而通用的学习方案，可针对任何给定步骤逐步调整噪声参数，从而显著提高类比扩散模型的综合结果。

    Apr, 2021

  • 基于去噪扩散的空间变异噪声去除 (SVNR)

    本研究提出了一种新的去噪扩散模型 SVNR，它假定更加现实的空间变异噪声模型，使其能够在噪声输入图像上进行去噪扩散过程，并考虑了条件图像与修改扩散过程样本之间的相关性。实验表明，相对于强扩散模型和单图像去噪方法，我们的方法具有优势。

    Jun, 2023

  • 随机旋转浅水噪声的生成建模

    近期工作中，作者们开发了一种通用方法，用于校准流体动力学随机偏微分方程中的噪声，其中随机性是用于参数化子网格尺度过程的。该方法在天气和气候预测的不确定性估计中需要随机参数化子网格尺度波动引起的系统模型误差的表示。本文中，PCA 技术被生成模型技术取代，这使我们能够避免对增量施加额外的约束。该方法在使用模型的高度变量作为输入数据的随机旋转浅水模型上进行了测试，数值模拟表明噪声确实是非高斯分布的。生成模型技术给出了良好的 RMSE、CRPS 分数和预测等级直方图结果。

    Mar, 2024

  • 生成式扩散模型的理论研究综述

    生成扩散模型的理论发展主要分为两种方法，基于训练和基于采样，将这些方法明确分类为研究者未来进行新发展提供清晰可理解的方向。

    Apr, 2024