实体
Doob's h-transform
Doob's h-transform
PulseAugur coverage of Doob's h-transform — every cluster mentioning Doob's h-transform across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的 GFlowNet 混合框架增强了 AI 科学发现能力
研究人员开发了一个新的 GFlowNets 混合模型理论框架，用于改进 AI 驱动的科学发现中的状态空间探索和收敛性。该框架分为连续索引和离散索引的集合。连续索引方法可以被解释为一种随机特征扩展，增强了采样器的表达能力并降低了学习的不稳定性。离散索引方法为分层条件 (SC) GFlowNets 提供了基础，后者将状态空间分解并允许并行训练，从而在不增加计算成本的情况下加快学习收敛速度并改善模式覆盖。
-
引入无限维生成扩散模型的新框架
研究人员利用Doob的h变换开发了一种新颖的无限维生成扩散模型框架。该方法通过指数测度变换将参考扩散过程强制导向目标分布，比传统的时间反转方法具有更大的灵活性。该框架经过严格推导，并在合成数据和真实数据上进行了验证，有潜力通过得分匹配目标进行近似。
-
h-Flow 框架利用 Doob 的 h-Transform 实现灵活的图像编辑
研究人员推出了一种新颖的图像编辑框架 h-Flow，该框架利用 Doob 的 h-Transform 提供了一个理论基础。该方法将编辑重新表述为条件生成，平衡了源图像的一致性与目标提示的对齐。通过将 h-Transform 扩展到确定性反向扩散模型并采用速度正交分解，h-Flow 允许在重建和语义编辑之间进行可控的权衡，并在各种场景中证明了其有效性。