主动扩散下采样

Jun, 2024

Active Diffusion Subsampling

Oisin Nolan, Tristan S. W. Stevens, Wessel L. van Nierop, Ruud J. G. van Sloun

TL;DR在本文中，我们提出了一种名为 Active Diffusion Subsampling (ADS) 的方法，该方法使用引导扩散进行主动子采样，该模型通过选择具有最大期望熵的测量来逐步减小不确定性，并最终生成后验分布 p (x | y)。我们实验证明 ADS 优于固定采样策略，并在快速核磁共振成像的应用中研究了 ADS 的性能，发现 ADS 与监督方法具有竞争力。

Abstract

subsampling is commonly used to mitigate costs associated with data acquisition, such as time or energy requirements, motivating the development of algorithms for estimating the fully-sampled signal of interest $x$ from partially observed measurements $y$. In maximum-entropy sampling,

subsampling guided diffusion active subsampling maximum entropy sampling magnetic resonance imaging

发现论文，激发创造

环境扩散后验采样：使用在损坏数据上训练的扩散模型解决逆问题

我们提供了一个用于解决扩散模型的反问题的框架，该框架可以从线性损坏的数据中学习。我们的方法是环境扩散后验采样（A-DPS），利用在一种类型的损坏上进行预训练的生成模型，在来自可能不同的前向过程的测量条件下进行后验采样。我们在标准的自然图像数据集上测试了我们的方法（CelebA、FFHQ 和 AFHQ），并且我们表明 A-DPS 在速度和性能上有时可以超过在干净数据上训练的模型进行几项图像修复任务。我们进一步扩展了环境扩散框架，用访问仅限于傅里叶子采样的多线圈 MRI 测量，加速因子为 2、4、6、8 来训练 MRI 模型。我们再次观察到，在高加速度区间内，与在完全采样数据上训练的模型相比，训练在高度子采样数据上的模型更适用于解决反问题。我们开源了我们的代码和训练的环境扩散 MRI 模型。

Mar, 2024

通过扩散生成模型优化压缩感知磁共振成像采样模式

这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法，并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力，并且在 2D 模式下具有改进的重建效果。

Jun, 2023

扩散后验抽样的计算难题

传播模型、后验抽样、测量模型、修复图像、指数级时间拒绝抽样是本研究的主要关键词及研究领域。

Feb, 2024

对抗自适应采样：统一 PINN 和最优输运用于 PDE 近似

本文提出了一种新的最小最大 (PDEs) 方程求解方法，通过使用神经网络模型和深度生成模型来同时优化近似解及数据集，从而减少最终逼近的统计误差，此方法称为对抗性自适应采样 (adversarial adaptive sampling)，并是将两个组件融合的第一次的尝试。

May, 2023

图像恢复的扩散后验近端采样

本文介绍了一种通过扩展扩散模型进行图像修复的新方法，该方法利用生成过程中与测量身份一致的样本，并结合测量信号与初始化信息来提高生成过程的效果。实验证明了该方法在不同的图像修复任务中的有效性。

Feb, 2024

粒子去噪扩散采样器

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。

Feb, 2024

AdaDiff：自适应步长选择的快速扩散

AdaDiff 是一个轻量级框架，通过学习实例特定的步骤使用策略，优化了扩散模型的图像 / 视频生成过程，以最大化平衡推理时间和生成质量的回报函数，并在减少推理时间至少 33% 的情况下实现与基准方法相似的视觉质量。

Nov, 2023

扩散后验采样用于一般噪声反问题

本文提出一种扩展扩散模型求解广泛的噪声非线性逆问题的方法，该方法利用后验采样实现扩散采样和流形约束梯度融合，并适用于各种噪声统计和非线性问题，代码公开。

Sep, 2022

后验蒸馏采样

我们引入了后验蒸馏采样（PDS），这是一种基于扩散模型的参数图像编辑的新型优化方法。PDS 匹配源和目标的随机潜变量，实现在与源的生成过程轨迹对齐的情况下，采样与所需属性一致的多样化参数空间的目标。

Nov, 2023

自适应和扩散：通过潜在扩散模型实现样本适应性重建

我们提出了一种名为 “严重性编码” 的新方法，通过在自编码器的潜在空间中估计噪声、退化信号的退化严重程度，从而在样本自适应推断时间、重建问题的难度上取得了显著性进展。同时，利用潜在扩散模型基于预测的退化严重程度来调整反向扩散采样轨迹，从而在维持与观测一致性的同时实现样本自适应的推断时间，与现有扩散法技术相比，我们的技术在计算效率方面有明显提升。

Sep, 2023