Meta-Diff

Meta-Diff 通过任务空间迁移使扩散模型适应少样本学习

研究人员开发了 Meta-Diff，一种将扩散模型适应于目标数据有限的任务的新方法。Meta-Diff 不进行昂贵的重新训练，而是在紧凑的任务空间中学习一个重复的源-目标关系。这使得共享编码器能够将分布映射到坐标，并通过学习到的关系将新的源坐标迁移到其预测目标。然后，扩散骨干网络从该预测生成，而无需进行特定于目标的重新训练，从而显著降低了计算成本，并提高了数据稀缺场景下的统计可靠性。