扩散模型的迅速崛起是过去几年机器学习领域最大的发展之一。在这本简单易懂的指南中，学习你需要知道的关于扩散模型的一切。
2024-10-28 09:30
本文提出了新型的可控光照增强框架，主要采用了条件扩散模型来控制任意区域的任意亮度增强。通过亮度控制模块（Brightness Control Module)将亮度信息信息融入Diffusion网络中，并且设计了和任务适配的条件控制信息和损失函数来增强
2023-09-11 17:20
现有的基于计算机视觉的工业异常检测技术包括基于特征的、基于重构的和基于合成的技术。最近，扩散模型因其强大的生成能力而闻名，因此本文作者希望通过扩散模型将异常区域重构成正
2024-01-08 14:55
去噪扩散概率模型（DDPM）在图像生成、音频合成、分子生成和似然估计领域都已经实现了 SOTA 性能。同时无分类器（classifier-free）指导进一步提升了扩散模型
2022-10-13 10:35
一类常见的 Refinement 方法是 Model-Specific 的，其通过在已有分割模型中引入一些新模块，从而为预测 Mask 补充了更多额外信息，从而增强了已有模型对于细节的感知能力。
2023-12-28 11:24
具备了产出逼真图片的能力，模型才可能在下一步中去学习语义信息(guidance)，进一步产生符合人类意图的图片。而DDPM的本质作用，就是学习训练数据的分布，产出尽可能符合训练数据分布的真实图片。所以，它也成为后续文生图类扩散
2023-08-18 16:21
对该证据下界的变形的形式，我们可以直观地这么理解：证据下界等价于这么一个过程，我们用编码器将输入 x 编码为一个后验的潜在向量分布 q（z|x）。我们希望这个向量分布尽可能地和真实的潜在向量分布 p（z） 相似，所以用 KL 散度约束，这也可以避免学习到的后验分布 q（z|x） 坍塌成一个狄拉克 delta 函数（式 19 的右侧）。而得到的潜在向量我们用一个解码器重构出原数据，对应的是式 19 的左边 P（x|z）。
2022-10-14 16:15
多样性是提升自动驾驶鲁棒性和安全性的关键，但现有方法往往受限于单一轨迹回归或固定锚点采样，难以全面建模驾驶决策空间。 扩散模型 (Diffusion Model) 凭借强大的多模态建模能力，已在机器人决策学习中得到验证。其逐步去噪机制
2025-03-08 13:59
近来去噪扩散概率模型 Denoising diffusion probabilistic model (DDPM)在图像生成中获得很多进步，通过对一张noise-corrupted图像恢复为干净图像的扩散过程进行建模
2023-09-19 16:02
一个直接的解决方案是设计一个特定的训练方案，可以在不可利用的数据上进行训练。这是不太理想的，因为它只是对不可利用的数据进行分类，而没有揭示潜在的干净数据，即不可学习数据的未保护版本。
2023-11-25 14:46
