May, 2024

深度数据一致性：基于快速和健壮扩散模型的逆问题求解器

PDF
TL;DR通过深度学习模型，在扩散模型中使用深度数据一致性更新数据一致性步骤，以解决逆问题的研究论文。DDC 方法在线性和非线性任务中表现出卓越的性能，在仅使用 5 个推理步骤的情况下，平均 0.77 秒生成高质量解决方案，并且具有对于数据集的稳健性和解决多个任务的能力。
diffusion modelsdeep learningdata consistencyinverse problemshigh-quality solutions
发现论文，激发创造
  • 利用隐藏扩散模型通过硬数据一致性求解反问题

    通过使用经过训练的潜在扩散模型来解决一般逆问题，并采用数据一致性来提高效率和灵活性，从而为医学成像等领域应用先验提供了可行性。

    Jul, 2023

  • 使用数据一致性的直接扩散桥在逆问题中的应用

    本文介绍了直接扩散桥接算法，提出了数据一致性问题，然后提出了数据一致的直接扩散桥接算法（CDDB），并在感知和失真度量上超越了其不一致的对应方法，实现了超越最优性的帕累托前沿。

    May, 2023

  • 图像恢复的扩散净化解耦数据一致性

    提出了一种新颖的基于扩散的图像恢复求解器，通过解耦逆向过程和数据一致性步骤来解决扩散模型中额外梯度步骤引起的计算负担和问题，通过整合一致性模型减少采样步骤的必要性，从而在各种图像恢复任务中展现出高效的问题解决能力。

    Mar, 2024

  • 在级联扩散模型中缓解稀疏视图 CT 重建引起的数据一致性差异

    稀疏视图计算机断层扫描（CT）图像重建是一种重要方法，可以降低辐射暴露，但必然导致图像质量下降。本研究引入了一种新的级联扩散与差异缓解（CDDM）框架，包括潜空间中的低质量图像生成和像素空间中的高质量图像生成，在一个步骤的重建过程中实现了数据一致性和差异缓解。级联框架通过将一些推理步骤从像素空间移动到潜空间，从而降低了计算成本。差异缓解技术解决了由数据一致性引起的训练 - 采样差距问题，确保数据分布接近原始流形。本研究还采用了专用的交替方向乘法器方法（ADMM）来处理图像梯度，提供了一种更有针对性的正则化方法。两个数据集上的实验结果表明，与现有方法相比，CDDM 在高质量图像生成方面具有更清晰的边界，并突出了该框架的计算效率。

    Mar, 2024

  • 一致性扩散模型的可证明统计速率

    本文提出了一种统计理论，将一致性模型的训练视为分布差异最小化问题，并通过使用 Wasserstein 距离，导出了与传统扩散模型相匹配的一致性模型的统计估计速率，同时揭示了一致性模型通过蒸馏和隔离方法进行训练的优势。

    Jun, 2024

  • 一致性模型改善扩散反问题求解器

    本文提出了一种改进的扩散反演算法，利用后验样本和一致性模型来提高非线性函数的扩散反演效果。实验结果表明，使用纯一致性模型反演方法在线性和非线性函数下均有效。

    Feb, 2024

  • 扩散模型求解逆问题的变分视角

    本文提出一种基于变分法的正则化方法 RED-Diff 来解决扩散模型后验分布不可计算的问题，通过在不同时间步引入不同的去噪器来实现对图像结构的约束，进而提高扩散模型在图像修复等领域的应用性能。

    May, 2023

  • 用于文本引导图像编辑的可逆一致性蒸馏方法（约 7 步）

    通过应用可逆一致性蒸馏 (invertible Consistency Distillation, iCD) 框架，实现了在少于 4 个推理步骤中高质量图像合成和准确图像编码的目标，使得具有动态引导的 iCD 成为零样本文本引导图像编辑的高效工具。

    Jun, 2024

  • 一致性扩散模型：通过学习一致性来缓解采样漂移

    提出基于一致性约束的得分匹配方法，实验结果表明得到了 CIFAR-10 中条件和无条件生成的最新成果和 AFHQ 以及 FFHQ 的基准改进。

    Feb, 2023

  • 潜在一致性模型：用少量推理步骤合成高分辨率图像

    利用潜在一致性模型（LCMs）解决迭代抽样过程在高分辨率图像合成中的计算负担和生成速度慢的问题，LCMs 通过直接预测导引反向扩散过程的 ODE 解决方案在潜空间中，实现了快速、高保真度的采样。

    Oct, 2023