PulseAugur
中
实时 07:28:07
English(EN) EMAG: Self-Rectifying Diffusion Sampling with Exponential Moving Average Guidance

新研究探索用于AI生成的先进扩散采样技术

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文探讨了生成式AI扩散模型的先进技术。第一篇论文介绍了一种可证明的用于贝叶斯反演的扩散后验采样方法，利用 Langevin 动力学和热启动策略来提高效率和准确性。第二篇论文提出了 EMAG（指数移动平均引导），一种新颖的、无需训练的扩散 Transformer 机制，通过生成更具语义保真度的负样本来提高样本质量和人类偏好得分。 AI

影响 这些论文引入了新颖的采样和引导技术，可以提高生成式AI模型的质量和可控性。

排序理由 两篇在arXiv上发表的学术论文，详细介绍了扩散模型的新方法。

在 arXiv cs.CV 阅读 →

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

新研究探索用于AI生成的先进扩散采样技术

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Jinyuan Chang, Chenguang Duan, Yuling Jiao, Ruoxuan Li, Jerry Zhijian Yang, Cheng Yuan ·

    Provable Diffusion Posterior Sampling for Bayesian Inversion

    arXiv:2512.08022v2 Announce Type: replace Abstract: We propose a novel diffusion-based posterior sampling method within a plug-and-play framework. Our approach constructs a probability transport from an easy-to-sample distribution to the target posterior via a diffusion process. …

  2. arXiv cs.CV TIER_1 English(EN) · Ankit Yadav, Ta Duc Huy, Lingqiao Liu ·

    EMAG：具有指数移动平均引导的自校正扩散采样

    arXiv:2512.17303v2 Announce Type: replace Abstract: In diffusion and flow-matching generative models, guidance techniques are widely used to improve sample quality and consistency. Classifier-free guidance (CFG) is the de facto choice in modern systems and achieves this by contra…

相关实体

相关话题