PulseAugur
中
实时 09:51:34
English(EN) On the Interpolation Effect of Score Smoothing in Diffusion Models

新arXiv论文分析扩散模型的创意生成和模式恢复

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文发布在arXiv上，深入探讨了扩散模型的复杂性。第一篇论文《关于扩散模型中分数平滑的插值效应》提出假设，认为这些模型的创意数据生成能力源于学习了经验分数函数的平滑版本。第二篇论文《扩散模型在分数函数不敏感的情况下恢复准确的混合权重》解决了扩散模型可能无法学习到正确的相对模式幅度这一令人费解的行为，并提出了一个理解和改进混合权重恢复的框架。 AI

影响 这些论文为扩散模型的行为提供了理论见解，可能指导生成式AI能力和模型训练的未来研究。

排序理由 两篇发表在arXiv上的学术论文，详细介绍了扩散模型的理论方面。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新arXiv论文分析扩散模型的创意生成和模式恢复

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Zhengdao Chen ·

    关于扩散模型中分数平滑的插值效应

    arXiv:2502.19499v4 Announce Type: replace-cross Abstract: Diffusion models have achieved remarkable progress in various domains with an intriguing ability to produce new data that do not exist in the training set. In this work, we study the hypothesis that such creativity arises …

  2. arXiv stat.ML TIER_1 English(EN) · Andrew Dennehy, Ramchandran Muthukumar, Rebecca Willett, Nisha Chandramoorthy ·

    扩散模型在分数函数不敏感的情况下恢复准确的混合权重

    arXiv:2607.15485v1 Announce Type: cross Abstract: Score-based generative models exhibit a puzzling behavior: they often appear to cover all modes of a target multimodal distribution and yet may fail to learn the correct relative mode amplitudes, which can be interpreted as mixtur…

相关实体

相关话题