本文研究通过 score estimation 进行 diffusion models 的学习,探讨 gradient descent 和 EM 算法在学习 Gaussian mixture models 方面的效率,证明了其在特定情况下达到高效的效果。
Jul, 2023
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
设计了加速常见确定性和随机抽样算法的训练免费算法,加速度确定性和随机抽样器的汇率超过 DDIM 和 DDPM 抽样器的速度。
Mar, 2024
通过六个简单步骤清晰陈述,简化并阐明噪声扩散概率模型(DDPM)的构建及其工作原理。
Feb, 2024
本研究提出了一种算法框架,用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法 (DPnP),交替调用两个采样器,一个仅基于前向模型的似然函数的邻近一致性采样器,另一个仅基于图像先验的分数函数的降噪扩散采样器。首次建立了 DPnP 在解决线性和非线性图像重建任务中的渐近性和非渐近性性能保证,并通过数值实验证明了其潜力。
本文介绍了一种基于 Markovian 过程的 Upsampling Diffusion Probabilistic Model(UDPM),相较于传统的 Denoising Diffusion Probabilistic Models(DDPM),它在降低潜变量维度的同时,仅需 7 个扩散步骤即可生成 $256 imes 256$ 的高清图像。
May, 2023
通过每个时间步骤在图像生成过程中优化纠缠的分布,以及通过降低维度但仍保持扰动参考图像高度集中的构建流形的块自适应实例归一化模块,新的基于分数分解扩散模型 (SDDM) 在多个 I2I 基准测试中表现优于现有的基于分数的扩散模型 (SBDM) 方法。
Aug, 2023
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
该论文提出了新的双边去噪扩散模型(BDDMs)来提高样本生成的质量和速度,其可以更加高效和简单地训练,以及进一步优化先前训练好的模型。
Aug, 2021
利用新颖的评分匹配损失,我们提出了一种基于粒子迭代方案的粒子去噪扩散取样器(PDDS),它能够在温和假设下提供渐近一致的估计,我们在多模态和高维取样任务上演示了 PDDS。