BriefGPT - AI 论文速递
·
通过最优传输解决扩散模型中的先验分布不匹配
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
扩散模型的曝光偏差是由于训练和抽样输入不匹配导致的。本文分析了抽样分布和预测误差，提出了Epsilon Scaling方法，通过缩小网络输出，使抽样轨迹更接近训练阶段的向量场。实验表明该方法在多种扩散框架中有效。
🎯
关键要点
- 扩散模型的曝光偏差问题源于训练和抽样输入不匹配。
- 本文分析了抽样分布和预测误差，系统研究了曝光偏差问题。
- 提出了一种名为Epsilon Scaling的方法，通过缩小网络输出来缓解曝光偏差。
- Epsilon Scaling方法使抽样轨迹更接近训练阶段的向量场。
- 实验验证了该方法在多种扩散框架中的有效性，包括无条件和有条件设置。
🏷️
标签
➡️
