Denoising Diffusion Implicit Models
PulseAugur coverage of Denoising Diffusion Implicit Models — every cluster mentioning Denoising Diffusion Implicit Models across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
论文通过Wasserstein几何统一扩散模型和流匹配
本文探讨了扩散模型和流匹配的底层几何学，揭示两者都受概率测度空间上二次Wasserstein距离的支配。研究提出，扩散模型遵循自由能的梯度流，类似于Fokker-Planck方程，而流匹配则学习Wasserstein空间中的测地线。通过在单一几何框架下统一这些模型，本文阐明了它们之间的关系，并提出流匹配的确定性ODE方法提供了更有效的采样方式。
-
新的扩散反演技术改进图像重建和地震分析 · 跟踪4个来源
研究人员正在开发新的扩散反演方法，该过程将图像映射回扩散模型的潜在空间以进行重建和编辑。一种方法“后验延续”（Posterior Continuation）根据噪声水平优化频带暴露，以提高各种任务的恢复性能。另一种方法“解耦潜在优化”（Decoupled Latent Optimization, DLO）通过解耦数据保真度和先验一致性来增强全波形反演，从而获得更真实的地球物理结构。此外，一种称为“时间步重排”（Timestep Res…
-
扩散模型理论揭示 DDIM 的幻觉弱点
一项新的理论分析研究了扩散模型中的幻觉现象，特别是比较了去噪扩散概率模型 (DDPM) 和去噪扩散隐式模型 (DDIM)。该研究证明 DDIM 在临界时间后可能会陷入模式之间，而 DDPM 的内在随机性有助于它避免这个问题。研究表明，引入额外的随机步骤可以提高 DDIM 的性能并减少幻觉。
-
DDIM创造者宋佳明离开Luma AI
加速图像生成的去噪扩散隐式模型（DDIM）的关键人物宋佳明已离开Luma AI。宋佳明于2023年在NVIDIA任职后加入Luma AI担任首席科学家，他在公司从3D生成转向视频和多模态模型的关键技术转变中发挥了至关重要的作用。他的离职正值Luma AI凭借Dream Machine和Uni-1.1等产品在多模态AI领域取得重大进展之际。
-
新的高斯混合模型提高了 DDIM 采样质量
研究人员开发了一种新方法来改进去噪扩散隐式模型 (DDIM) 的采样过程。他们的方法利用高斯混合模型 (GMM) 作为反向转移算子，该算子匹配 DDPM 前向边际的一阶和二阶中心矩。该技术已被证明能够生成与原始 DDIM 相当或更高质量的样本，尤其是在使用少量采样步数的情况下。
-
ExpoCM框架加速HDR图像重建
研究人员开发了ExpoCM，一个用于从单个低动态范围输入重建高动态范围（HDR）图像的新框架。该方法通过将问题重新表述为概率流ODE来解决过曝区域细节丢失和欠曝区域噪声的问题。ExpoCM使用曝光感知一致性轨迹和曝光引导损失函数，与现有的扩散模型相比，提高了图像质量并显著加快了推理时间。
-
用于视频生成的扩散模型
研究人员正在探索用于视频生成的先进扩散模型，以解决时间一致性和数据稀缺性等挑战。新方法侧重于改进参数化，例如 v-prediction 技术，并结合条件采样来完成扩展视频长度或填充缺失帧等任务。同时，通过训练后框架、混合注意力机制和语义视觉适应性，也在努力提高效率和可控性，目标是实现实时生成和更高质量的输出。