实体
Flow Based Generative Models
Flow Based Generative Models
PulseAugur coverage of Flow Based Generative Models — every cluster mentioning Flow Based Generative Models across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
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
-
新方法增强AI解决成像逆问题的能力
研究人员开发了新的方法，即频谱自适应调度（SAS）和测量优先注意力（MPA），以提高流式生成模型在解决成像逆问题方面的性能。这些技术解决了这些模型在时间和空间上如何分配计算资源（函数评估次数或NFEs）的局限性。SAS优化了流时间上的NFE分布，以平衡语义探索和细节细化，而MPA则通过利用数据先验冲突，将信息引导至约束不足的区域。当这些即插即用组件在不重新训练的情况下集成到现有求解器中时，它们在超分辨率、去模糊和修复等任务的图像恢复质…
-
机器学习提升数据同化精度新研究
两篇新研究论文介绍了增强数据同化（DA）方法的先进机器学习技术。第一篇论文提出了一种EnKF-FCNN方法，该方法使用神经网络来纠正传统小集合卡尔曼滤波生成的状态，在不显著增加计算开销的情况下提高了精度。第二篇论文提出了DAISI，一种利用流基生成模型和逆采样来整合预报信息和同化观测值的可扩展滤波算法，在传统方法失效的挑战性非线性场景中展示了准确的结果。
-
新的AdaMaG引导通过守恒概率改进生成模型
研究人员为扩散模型和流模型生成模型开发了一种新的引导方法，称为自适应流形引导（AdaMaG）。该技术通过连续性方程分析引导，解决了现有方法（如无分类器引导（CFG））的局限性。AdaMaG通过限制散度和得分并行项，确保概率守恒，并在强引导下将生成的样本保持在学习的流形上。