实体
Score-based diffusion models
Score-based diffusion models
PulseAugur coverage of Score-based diffusion models — every cluster mentioning Score-based diffusion models across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
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
-
新的扩散模型反演方法强制执行物理约束
研究人员开发了一种名为终端条件反演的新方法，用于基于分数的扩散模型，该方法增强了其在逆问题中强制执行物理或测量一致性的能力。该方法使用后向随机微分方程（BSDEs）来创建原则性的反演映射，通过构造确保可行性。该框架允许将预训练的扩散模型与领域约束集成，而无需更改原始模型的系数，从而能够进行更准确的重建和不确定性表征，这在稀疏视图CT重建实验中得到了证明。
-
新论文详细介绍了有偏差SMC采样器的非渐近误差界 · 跟踪3 个来源
一篇新论文介绍了在对序列蒙特卡洛（SMC）方法使用有偏差的变异核（在生成模型的后验条件中很常见）时的非渐近误差分析。该研究将总误差分解为核偏差和有限粒子蒙特卡洛误差，通过将马尔可夫核的条件扩展到条件分布，提供了一种控制偏差的原则性方法。该框架应用于基于分数的扩散模型，得出了第一个考虑了初始化、时间离散化、分数近似和粒子数量的非渐近误差界。
-
Sakana AI 的 DiffusionBlocks 通过独立训练网络块来减少训练内存
Sakana AI 推出了 DiffusionBlocks，一个用于更高效地训练神经网络的新颖框架。该方法将网络划分为多个块，允许每个块独立训练。通过减少同时处理的层数，DiffusionBlocks 在不牺牲各种架构性能的情况下，显著降低了训练期间的内存需求。该方法利用了残差网络和扩散模型之间的联系，将残差连接视为离散的去噪步骤。