- DEFT:通过学习广义 $h$- 变换实现条件扩散模型的高效微调
利用 Doob 的 h - 变换统一现有方法的条件训练和采样,我们提出了一种新的条件生成方法 DEFT(Doob 的 h - 变换高效微调),通过微调一个非常小的网络快速学习条件 h - 变换,同时保持较大的无条件网络不变,从而在各种线性和 - ICLRSynFlowNet: 朝着具备保证的合成途径的分子设计
基于生成模型的分子生成模型在药物发现方面取得了突破。通过使用具有化学验证的反应和反应物的动作空间,SynFlowNet 模型能够构建具有合成可行性的新分子,并且在多样性和高效性方面表现出色。
- SteinGen:生成真实且多样化的图样本
通过结合 Stein 方法和 MCMC 的 Markov 动力学,使用估计的 Stein 算子的 Glauber 动力学生成高分布相似性 (高保真度) 和高样本多样性的图生成模型。
- 一种用于可精细化形状匹配和生成的端到端深度学习生成框架
基于几何深度学习的形状生成模型在计算医学中的应用可通过比较分析,验证了其适用于以真实 3D 网格形状为基础的合成解剖形状,并且可以进一步增加变异性并保留更多生成形状的细节。
- 基于相似度核的零射新型分子生成
通过分析得分模型,本研究发现生成分子过程中的得分模型在起始时类似恢复势能,在最后则类似量子力学力,两者之间表现出特殊性质以便生成较大的分子。基于训练出的模型,本研究提出了一种新的零样本分子生成方法 —— 基于相似性的分子生成(SiMGen) - 频域中的时间序列扩散
傅里叶分析和扩散模型之间存在重要的协同关系,通过在频域表示时间序列,频率扩散模型能更好地捕捉训练分布,进行了经验证实的评估。
- 一种用于条件扩散建模的框架及其在蛋白设计中的应用
通过统一条件训练和条件采样程序,本文基于数学上理解的 Doob 的 h 转换方法提出了一个新的视角,揭示了现有方法之间的联系,并提出了一种新的改进方法,通过在图像外延和结构基元搭建方面的实验证明了其有效性。
- 一种病理多模态 MR 图像和分割的 3D 生成模型
提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D,可以调节病理表型和对比度,生成高保真的合成图像和相关分割,以改善在数据中存在意外病变时的分割模型性能问题。
- 鬼于外壳:一种对一般三维形状进行表达的富有表现力的方式
创建逼真的虚拟世界需要对广泛对象的三维表面几何进行准确建模,我们提出了一种名为 G-Shell 的新表示方法,通过定义一个流形符号距离场在完全密封的模板上对开放表面进行参数化,实现了多视图图像重建和非完全密封网格的生成建模。
- 贝叶斯流网络在连续学习中的应用
贝叶斯流网络(BFNs)作为通用生成建模的最有前景的方向之一,能够学习任何数据类型。我们深入研究了 BFNs 的机制,并进行了实验证明它在非平稳数据上的生成能力。
- SANGEA:可扩展的和带属性的网络生成
通过将大图分解成社区,并对每个社区使用一个合成图生成器进行训练,然后将社区图链接在一起以创建一个合成的大图,我们提出了一个大小可扩展的合成图生成框架 SANGEA,其扩展了任何合成图生成器对大图的适用性,并且通过我们的实验证明了 SANGE - 艺术生成的扩散式创意探索
利用最新的扩散模型生成创意艺术,通过将文本文档与粗略草图作为辅助信息进行模型训练,取得了令人满意的实验结果。
- ICML运输,变分推断和扩散:在 退火流和薛定谔桥 的应用
该论文探讨了最优输运和变分推理之间的关系,并提出了一系列采样和生成建模的新技术,其中涉及随机微分方程和 Girsanov 转换等内容。
- 参数立体声技术实现单声道转立体声
本文提出了基于预测参数立体声(PS)参数的最近邻和深度网络方法将单声道转换为立体声,并结合生成模型实现合成多个同样合理的立体声演奏,证明了所提出的 PS 和生成建模方法的优势,同时讨论了这些方法的局限性。
- 基于能量引导的熵正则神经最优输运
该研究桥接了 EBMs 和熵正则化 OT 之间的差距,并提出了新的方法,可在玩具 2D 场景和标准无配对图像到图像转换问题上应用。
- ICLR显式最小化变分自编码器的模糊误差
本文介绍了一种新的变分自编码器 (VAE) 的重构项,它特别惩罚生成模糊图像的能力,同时仍然最大化建模分布下的 ELBO。在三个不同的数据集上展示了该损失函数的潜力,优于 VAE 的几种最近提出的重建损失。
- ICLR利用扩散模型对手写数据进行建模
本文介绍了一种名为 “ChiroDiff” 的非自回归模型,它学会了捕捉整体概念,能够更好地处理手写、素描等实时几何构造数据,并且还能够灵活地实现很多重要的下游应用。研究表明,该模型在相关数据集中的定量与定性评估中表现良好,并且能够更好地或 - 类别数据的连续扩散
本文介绍了 CDCD 框架,该框架是一种对分类数据进行扩散建模的方法,同时保持了连续时间和输入空间的特性,并在多个语言建模任务中证明了其有效性。
- 从多模态时间序列数据中学习序列潜变量模型
本论文提出了一种自监督生成建模框架,用于联合学习多模态数据的概率潜在状态表示和相应的动态,并且该方法在机器人学方面有显著的预测和表示质量改进。
- MM本地量子电路输出分布的可学习性
本文研究了两种不同的神经网络模型下,量子电路 Born 机的可学习性,发现虽然当给定访问样本时可用于统计学习,但具有超对数深度的克里福德电路的输出分布在统计查询模型下不易于学习,这限制了学习本地量子电路输出分布的可能性,并提供了从概率建模角