- 腹部 CT 的语义图像合成
我们研究了基于条件扩散模型的腹部 CT 语义图像合成,并对三种不同的扩散模型以及其他基于生成对抗网络的方法进行了系统评估。实验结果表明,扩散模型能够合成具有更好质量的腹部 CT 图像。此外,将语义掩码和输入分别编码比简单拼接更加有效。
- 初值向量的人工变换揭示了基于隐变量的扩散模型的脆弱性
初期种子向量对生成样本有重要影响,在条件扩散模型中,选择和影响初期种子向量的研究具有重要意义。
- CADS: 通过条件退火采样释放扩散模型的多样性
通过使用一种改进的采样策略,我们提供了一种可以增加扩散模型的生成多样性的方法,尤其是在高指导尺度下,同时最小化样本质量损失。该方法通过在推理过程中向条件向量添加预定的、单调递减的高斯噪声来退火条件信号,以平衡多样性和条件对齐。我们的 Con - uSee: 条件扩散模型下的统一语音增强与编辑
我们提出了一种统一的语音增强和编辑模型(uSee),它采用条件扩散模型以生成方式同时处理多种任务,能根据特定用户需求对语音进行增强和编辑操作。通过提供多种条件,包括自监督学习嵌入和适当的文本提示,我们的 uSee 模型可实现对源语音的可控生 - 适频扩散模型用于实景去雾
基于条件扩散模型的去雾方法利用深度学习,通过降低频谱偏差和模拟多样化的雾气,显著改进了真实世界图像去雾的效果。
- 不是所有的步骤都相等:选择性扩散蒸馏用于图像操作
本文介绍了一种名为选择性扩散蒸馏(SDD)的新框架,其在图像处理任务中克服了扩散模型的权衡问题,通过在扩散模型指导下训练前馈图像操作网络和适当选择语义相关的时间步长,获得了图像的保真度和可编辑性。
- 基于奖励的条件扩散:可证明的分布估计与奖励优化
探索基于条件扩散模型的奖励定向生成方法和理论。此生成器可有效地学习和采样奖励条件的数据分布,并且生成新的群体移向用户指定的目标奖励值,通过实证研究验证这一理论并探究外推强度与样本质量之间的关系。
- 基于紧凑运动表示条件下的非监督视频异常检测
本文提出了一种利用条件扩散模型进行无监督视频异常检测的方法,使用预训练网络提取空间和时间特征,并结合能概括给定视频片段运动和外观的紧凑运动表示进行条件约束,采用数据驱动的阈值,将高重构误差视为异常事件的指标。实验表明,该方法在大规模视频异常 - ACLDiffuDetox: 文本净化的混合扩散模型
本研究提出了一种混合条件和非条件扩散模型 DiffuDetox,用于文本脱敏,并通过大量实验和分析证明其有效性。
- 弱监督医学图像分割的条件扩散模型
本研究利用条件性传播模型中的类别信息来获取仅基于图像级注释的目标对象预测掩码,并且超越了先前的方法在两个公共医学图像分割数据集上的表现。
- 随机细化 Deblurring
针对图像复原中存在的多种可能解决方案,本文提出了一种基于条件扩散模型的盲去模糊方法,使用确定性预测器和随机采样器产生多个可能的重建结果,相比现有技术在图像感知质量上有了显著提高。
- 调色板:图像到图像扩散模型
本文提出了一种基于条件扩散模型的统一框架,用于图像到图像的转换,并在四个具有挑战性的图像到图像任务中测试了这个框架,即上色,修复,裁剪和 JPEG 恢复。我们的简单实现超越了所有任务上的强 GAN 和回归基线,无需任务特定的超参数调整,架构