关键词generative performance
搜索结果 - 9
- 扩散模型中的可分离多概念擦除
我们提出了一种可分离的多概念擦除（SepME）方法，包括概念无关表示的生成和权重解耦，用于解决大规模扩散模型中的版权问题和概念恢复问题。通过其他已知不良概念计算的解决方案的线性组合，我们的方法在去除概念、保留模型性能以及灵活擦除或恢复各种概 - 使用扩散模型提供无限数据计划升级 VAE 训练
通过使用预训练的扩散模型生成的样本进行训练，可以有效减轻变分自动编码器中的过拟合问题，并且表现出更好的泛化性能、缩小的模型猜测效应和更强的鲁棒性。
- EDGE++：EDGE 训练和采样的改进
本文提出了对 EDGE 模型的改进，包括引入了一个特定度数的噪声计划，优化了每个时间步骤的活跃节点数量，显著减少了内存消耗，并提出了一个改进的采样方案，通过微调生成过程来更好地控制合成网络和真实网络之间的相似度，实验结果表明，这些改进不仅提 - 遮蔽扩散作为自监督表示学习者
最近，去噪扩散概率模型展示了最先进的生成性能，并被用作强大的像素级表示学习器。本文将扩散模型内在的生成能力与表示学习能力之间的相互关系进行了分解。我们提出了掩蔽扩散模型 (MDM)，这是一种可扩展的自监督表示学习器，用于将传统扩散中的加性高 - 复杂性的重要性：重新思考生成建模的潜空间
本研究探讨了生成建模中潜在空间选择的最优解以及其确定过程，并提出了一种新的距离度量方法和具体的训练策略来优化潜在空间的选择，进而提高生成效果。
- 离散图扩散中不同收敛先验的复杂偏好
本研究探讨了不同的离散扩散核对于图生成模型的性能的影响，发现使用的先验对生成的图的质量有很大影响，而最优选择并不可由明显的统计或度量来解释。
- 扩散模型的时态动态量化
介绍了一种新的量化方法用于扩散模型，通过动态调整量化间隔来改善输出质量，并提出该方法在推理时没有计算开销和两种量化方法兼容，通过多种数据集的广泛实验证明了量化扩散模型在输出质量方面的显着改进。
- ICLR生成式对抗网络的影响估计
提出了一种用于影响估计和有害实例检测的方法，可用于改善生成对抗网络（GAN）的效果，利用生成器和鉴别器之间的梯度关系来跟踪模型性能受是否存在特定数据点的影响
- 用对比学习的方法训练变分自编码器先验
针对变分自编码器的先验洞问题，我们提出了一种能源化先验，通过基础先验分布和重新加权因子的乘积来定义，以使基础先验更接近集体后验，并通过噪声对比估计来训练重新加权因子，实验证明此方法可以大幅提高 MNIST、CIFAR-10、CelebA 6