Latent Diffusion Models (LDMs)
PulseAugur coverage of Latent Diffusion Models (LDMs) — every cluster mentioning Latent Diffusion Models (LDMs) across labs, papers, and developer communities, ranked by signal.
-
新方法绕过AI图像定制中的版权保护
研究人员开发了一种名为两阶段潜在特征优化（TS-LFO）的新方法，用于绕过扩散模型图像定制中的版权保护。该技术通过恢复输入图像与其潜在表示之间的映射来应对现有防御措施。TS-LFO采用两阶段优化过程来抑制噪声并优化潜在特征，证明了其对最先进的版权保护方法的有效性。
-
新的L2P框架迁移LDM知识以实现高效像素生成
研究人员开发了一个名为Latent-to-Pixel (L2P) 的新框架，该框架能有效地将预训练的Latent Diffusion Models (LDM) 的知识迁移到强大的像素空间模型中。该方法通过冻结大部分源LDM并仅训练用于潜在空间到像素转换的浅层，避免了对大量计算资源和真实世界数据的需求。L2P利用LDM生成的合成图像作为其训练语料库，从而能够以最少的硬件实现快速收敛。该方法还消除了VAE瓶颈，能够原生生成超高分辨率图像。
-
新的L2P方法支持用更少的数据实现高分辨率像素扩散
研究人员开发了一种名为Latent-to-Pixel (L2P) 的新迁移学习方法，该方法能够以显著降低的计算和数据需求，实现高质量像素空间扩散模型的创建。L2P利用预训练的Latent Diffusion Models (LDMs)，冻结其大部分层，仅训练浅层以学习从潜在空间到像素空间的转换。这种方法能够生成原生的4K超高分辨率图像，并在DPG-Bench和GenEval等基准测试中，使用最少的GPU资源，达到了与原始LDMs相当的性能。