FFHQ
PulseAugur coverage of FFHQ — every cluster mentioning FFHQ across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
StyleFusion360 可实现视图一致的 3D 头部风格化，无需针对每种风格进行训练
研究人员开发了 StyleFusion360，一种新的基于扩散的 3D 头部风格化框架。该方法允许从单个参考图像进行身份保留和视图一致的风格化，而无需针对每种风格进行训练。StyleFusion360 包含一个自适应风格调制机制和一个用户可控的滑块，用于调整风格化强度，并且还支持局部多编辑功能，可以独立修改头发或眼睛等特征。在 FFHQ 和 RenderMe360 数据集上的实验表明，StyleFusion360 在生成高质量、可控且…
-
新方法提升AI解决逆问题的能力
研究人员开发了一种名为精确后验分数（EPS）的新方法，用于利用扩散模型和流模型解决线性逆问题。该技术可以推导出线性高斯逆问题的精确后验分数闭式解，从而实现更准确的后验采样。EPS保留了去噪器标准的预训练结构，可以从头开始训练或对现有模型进行微调。在FFHQ和ImageNet数据集上的评估表明，EPS在保真度、感知质量和分布指标方面优于现有基线，同时所需的去噪器评估次数显著减少。
-
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…
-
新理论解释了用于成像逆问题的CNN
研究人员开发了一个新的理论框架，即局部等变MMSE（LE-MMSE）估计器，以更好地理解监督卷积神经网络（CNN）如何解决成像逆问题。该理论结合了平移等变性和局部性等关键CNN归纳偏置，提供了一个解析公式，该公式在各种任务和数据集上与训练网络的性能非常吻合。研究结果为物理感知估计器和物理无关估计器之间的差异以及训练数据特征的影响提供了见解。
-
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。
-
新的AID方法使用扩散模型改进图像修复
研究人员开发了一种名为“基于扩散的摊销修复”（AID）的新方法，使用预训练的扩散模型进行图像修复。AID离线训练一个小型、可重用的引导模块，然后可以将其应用于掩码图像，而无需进行实例优化。与现有方法相比，这种方法提供了改进的质量-速度权衡，并且可训练的开销极小。
-
SPRINT方法为AI生成图像提供鲁棒归因
研究人员开发了一种名为SPRINT的新方法，用于将AI生成的图像归因于其源模型。该技术使用秘密重建目标，使验证过程私密化，从而更能抵抗自适应攻击。SPRINT即使在面对复杂的规避尝试时，也能在识别负责图像生成的模型方面表现出高准确性。