Denoising Diffusion Probabilistic Models
PulseAugur coverage of Denoising Diffusion Probabilistic Models — every cluster mentioning Denoising Diffusion Probabilistic Models across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新型3D扩散模型增强脑部MRI病灶修复
研究人员开发了一种新颖的3D扩散模型，用于长时程脑部MRI扫描的病灶修复。该框架基于去噪扩散概率模型（DDPM），利用多通道条件集成不同时间点的长时程上下文。它专门针对病灶区域，避免改变健康组织，并在降低图像块相似度、提高时间保真度方面表现出优于现有方法的性能。与当前领先的基线方法相比，该模型还显著加快了处理速度。
-
新的HDDPM模型增强了低计数PET图像恢复能力
研究人员开发了一种名为HDDPM（异方差去噪扩散概率模型）的新方法，以改进低计数正电子发射断层扫描（PET）图像的恢复。与假设噪声均匀的标准扩散模型不同，HDDPM考虑了PET扫描中固有的非高斯和空间依赖性噪声，尤其是在低辐射剂量下。该模型包含一个基于泊松分布的方差模块，用于生成体素级别的噪声图，反映了与活动相关的噪声结构。在不同扫描仪和剂量水平下的评估表明，HDDPM在整体图像质量上与标准模型相当，但在低剂量情况下显著降低了测量误差…
-
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。
-
扩散模型为半导体计量生成合成TEM图像
研究人员开发了一种去噪扩散概率模型（DDPM），用于生成高保真合成透射电子显微镜（TEM）图像，以用于半导体计量。该方法解决了真实TEM数据稀缺的问题，而真实TEM数据因样品制备具有破坏性、成像速度慢和成本高昂而受到限制。DDPM框架采用渐进式基于块的训练策略，并整合了TrivialAugment适应和RePaint风格修复等技术，以生成保留结构和空间真实感的高保真合成图像，达到了高MS-SSIM分数和专家验证。除了图像生成，该模型的…
-
新的循环去噪攻击揭示了扩散模型中的“超稳定记忆”
研究人员开发了一种名为循环去噪的新技术，用于探测图像扩散模型中记忆的训练数据。该方法涉及在受控噪声水平下重复应用前向和后向扩散过程，从而揭示模型中的“超稳定记忆”。这些记忆即使在严重损坏后也能再生，并能持续数千个周期，通常对应于特定的训练图像，如图库照片或水印。该攻击仅需要采样器级别的控制，不需要梯度、权重检查或对训练数据的先验知识，展示了其在隐私和版权审计方面的潜力。
-
新的AI模型提供更快、更高效的医学图像翻译
研究人员开发了新的医学图像翻译方法，这些方法比现有的扩散模型更快、更高效。一项研究介绍了一种轻量级U-Net，其准确性优于最先进的去噪扩散概率模型（DDPM），并显著减少了推理时间。另一篇论文提出了一种用于3D体积医学图像翻译的像素拼贴扩散模型（PPDM），该模型在保持高保真度的同时，大幅降低了GPU内存使用量并加快了推理速度。
-
Diffusion-SAC通过AI增强无人机网络控制
研究人员开发了一种名为Diffusion-SAC的新方法，该方法将离线强化学习与去噪扩散概率模型相结合，以优化6G通信无人机（UAV）网络的控制。该方法旨在通过从静态数据集中学习富有表现力的策略来提高设备的能源效率和公平性，即使在数据有限的情况下也是如此。模拟表明，Diffusion-SAC优于现有的离线RL基线，表现出更稳定的收敛性和更高的奖励，从而在数据效率、能耗和吞吐量方面取得了显著的改进。
-
合成图像模型在数据稀缺和隐私条件下进行测试
一篇新发表在arXiv上的研究论文，探讨了在数据有限和存在隐私顾虑的情况下，VAE、GAN和DDPM等合成图像生成模型的有效性。研究人员开发了一个框架来评估保真度、隐私性和实用性，发现GAN和DDPM比VAE更能抵抗差分隐私机制。研究结果强调了对生成模型进行多维度评估的必要性，尤其是在应用隐私限制时。
-
AI模型去除洪水卫星图像中的云层
研究人员开发了一种新的洪水图像去云框架，使用了去噪扩散概率模型和掩码扩散Transformer架构。该方法旨在通过生成无云卫星图像来改善洪水淹没测绘，这对于灾害风险管理至关重要。该模型利用自注意力机制和掩码令牌建模来重建被遮挡的区域，从而保持水文一致性和光谱特征以进行准确的水体检测。
-
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。
-
扩散模型在离散数据上遇到困难；新方法提高质量
研究人员发现高斯扩散模型应用于离散数据时的一个关键问题，特别是注意到 DDPM 求解器在导致多峰分布的采样间隔上存在困难。这可能导致生成分布外的输入，从而降低样本质量。该论文提出了包括自适应条件和一种新颖的 q-采样求解器在内的解决方案，当这些方法结合使用时，在文本、代码和蛋白质领域均展示了生成质量的提高。
-
新的物理信息扩散模型增强了混沌系统重构能力
研究人员开发了PIDM-DP，一种新颖的物理信息扩散模型，它将Dormand-Prince常微分方程积分器集成到去噪扩散概率模型中。该方法约束生成的轨迹以高精度遵守控制方程，解决了从稀疏、噪声数据中重构混沌动力学系统的挑战。PIDM-DP在重构精度上表现出显著的改进，优于现有方法，尤其是在刚性系统上。
-
AI生成功能性磁共振成像时间序列以改善抑郁症诊断
研究人员开发了fMRI-Diffusion，一个新颖的框架，用于生成合成的功能性磁共振成像（fMRI）时间序列数据，以辅助重度抑郁症（MDD）的诊断。与以往合成功能连接矩阵的方法不同，fMRI-Diffusion合成了区域兴趣级别的时间序列，保留了关键的时间信息。这种方法利用扩散模型中的时间Transformer，在各种分类器和数据集上持续提高了诊断准确性，优于现有的合成方法。
-
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。
-
新研究将Föllmer过程与DDPM联系起来，提高了采样效率
研究人员探讨了Föllmer过程与去噪扩散概率模型（DDPM）之间的联系，发现离散化Föllmer过程可以为DDPM采样器产生最优的超参数设置。这种方法在Wasserstein距离和KL散度方面取得了改进的误差界限。此外，还提出了一种名为前向学习离散扩散（FLDD）的新方法，该方法学习加噪过程以实现更快、少步数的优质样本生成。
-
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。