Diffusion Priors
PulseAugur coverage of Diffusion Priors — every cluster mentioning Diffusion Priors across labs, papers, and developer communities, ranked by signal.
-
新的贝叶斯信号分解方法使用扩散-Gibbs采样
研究人员开发了一种新颖的贝叶斯信号分量分解框架，将Gibbs采样与扩散先验相结合。这种新方法，称为扩散内Gibbs（DiG），允许将分量模型驱动和数据驱动的先验统一纳入扩散模型。DiG采样器可被证明从后验分布中产生样本，并扩展了现有的基于扩散的采样器，在数值实验中表现出优越的性能。
-
新的GAINS框架使用基础模型进行稀疏视图正向渲染
研究人员开发了GAINS，一个新颖的两阶段正向渲染框架，它利用基础模型来改进从稀疏多视图捕获中估计的材质和几何。该方法通过整合单目深度、法线和用于几何精炼的扩散先验，然后进行分割、内在图像分解和用于材质恢复的扩散先验，来稳定过程。实验表明，GAINS显著提高了材质参数、重新照明和新视图合成的准确性，特别是在传统方法难以处理歧义的稀疏视图场景中。
-
新AI方法解决单图像和视频的三维和四维重建问题
两篇新研究论文介绍了从视觉数据进行三维和四维重建的新方法。PRISM 提供了一种用于单图像三维重建的前馈方法，将任务分解为几何先验和学习到的残差校正，显著缩短了推理时间。Lift4D 通过结合时间一致的单视图三维估计、可变形三维高斯泼溅以及视图条件扩散先验，解决了单目视频中动态、非刚性对象的四维重建问题，提高了在野外场景下的性能。
-
新研究探讨了视频扩散模型的3D一致性、LoRA可迁移性以及统一框架。
研究人员开发了使用扩散模型改进视频生成的新方法。一种方法“几何强制”（Geometry Forcing）将3D表示与视频扩散模型相结合，以增强几何一致性和视觉质量。另一个框架UniVidX通过调整扩散先验以适应各种任务和模态（包括内建图和RGBA图层），实现了多模态视频生成的统一。此外，还提出了一种名为“聚类感知谱仲裁”（Cluster-Aware Spectral Arbitration, CASA）的无数据方法，以解决将LoRA迁…