关键词diffusion-based generative model
搜索结果 - 6
- 探索基于扩散模型的零样本学习中的数据有效性
ZeroDiff 是一种基于扩散的生成零样本学习模型,通过在类和实例级别改善数据效率,以提高有限数据的零样本识别能力。
- IMPRINT: 学习保持身份特征的生成式对象合成
本文介绍了一种名为 IMPRINT 的新型扩散式生成模型,使用两阶段学习框架,将保持对象身份的学习与组合学习分离开来,实现了上下文无关的身份保留预训练和背景下对象无缝融合的学习,同时引入了一种形状引导机制,提供用户对组合过程的控制。大量实验 - 点云方法在星系调查领域的生成建模
我们介绍了一种基于扩散的生成模型,直接描述我们宇宙中的星系分布作为三维空间中的点的集合(坐标),可选地带有关联属性(例如速度和质量),而无需使用分箱或像素化。这种定制的扩散模型既可以用于仿真,重现星系分布的关键统计特征,也可以用于推断,通过 - 基于深度学习扩散生成模型的湍流尺度缩放
利用基于扩散的生成模型学习湍流涡度轮廓的分布,生成与训练数据集不同的多样化湍流解,并分析新湍流轮廓的统计缩放特性、能量功率谱、速度概率分布函数和局部能量耗散矩。通过与已建立的湍流特性的一致性,该模型证明了其捕捉实际湍流关键特征的能力。
- 通过蛋白质折叠扩散生成蛋白结构
本研究介绍了一种新的基于扩散的生成模型,通过模拟蛋白质的折叠过程,使用一系列连续角度来生成新的蛋白质骨架结构,通过简单的 transformer 骨干训练出高质量的蛋白质结构,并开源了对应的代码库和训练模型。
- Guided-TTS 2: 一种高质量自适应文本转语音扩散模型,可使用未转录数据
Guided-TTS 2 是一种基于扩散的生成模型,通过无文本数据实现高质量自适应语音合成。它结合了以发言者为条件的扩散模型和以发言者为依赖的音素分类器,借此适应文本到语音。通过无分类器指导的方法在大规模的未转录数据集上训练模型,然后在目标