Drifting Models
PulseAugur coverage of Drifting Models — every cluster mentioning Drifting Models across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的三体散射模型实现高质量图像生成
研究人员推出了一种新颖的生成式建模方法——三体散射建模（TBSM），该方法绕过了传统的对抗性判别器或自回归方法。TBSM 利用分布能量函数来指导单步生成器，其中每个生成的样本都与真实样本和独立生成的源进行交互。该方法在 ImageNet-256 上取得了有竞争力的结果，使用 PixelDiT-XL 的 FID 分数为 2.23，使用 DiT-XL 的 FID 分数为 1.63，为高维单步生成开辟了新途径。
-
新的三体散射建模框架用于单步生成式AI
研究人员引入了三体散射建模（TBSM），一种用于单步生成式建模的新颖框架。与现有的GAN或扩散模型等方法不同，TBSM学习一个传输场来引导生成的样本趋向真实数据。这种方法能够稳定地训练单步和少步生成模型，在ImageNet-256等图像生成基准测试中取得了具有竞争力的结果，并且函数评估次数很少。
-
新的漂移-RAE方法增强了表示自编码器蒸馏
研究人员开发了一种名为Drift-RAE的新方法，以改进表示自编码器（RAE）的蒸馏过程。该技术解决了RAE潜在空间中的各向异性和大曲率问题，这些问题以前阻碍了训练稳定性。通过将漂移范式应用于RAE并进行修改以提高训练稳定性，Drift-RAE在ImageNet 256数据集上取得了有竞争力的结果，并且与现有方法相比，蒸馏步骤大大减少。
-
新的生成模型加速流体动力学模拟
研究人员已将生成漂移框架应用于流体力学模拟，旨在加速计算流体动力学（CFD）过程。他们新的条件架构在VAE潜在空间内运行，并使用标签感知掩码来确保生成的样本符合边界条件。该方法实现了与迭代扩散方法相当的准确性和流动一致性，但速度快了两个数量级，能够实现实时CFD替代模型。