InfoQ
·
研究人员试图揭示扩散模型创造力的起源
💡
原文英文，约600词，阅读约需3分钟。
📝
内容提要
斯坦福大学研究人员提出了一种机制，解释扩散模型的创造力，认为创造力源于去噪过程。扩散模型通过学习评分函数逐步去除高斯噪声以生成新图像。研究表明，模型的平移等变性和局部性是关键因素，构建的等变局部评分（ELS）机器准确度超过90%。该理论为理解扩散模型的图像创造及其错误提供了基础。
🎯
关键要点
- 斯坦福大学研究人员提出了一种机制，解释扩散模型的创造力，认为创造力源于去噪过程。
- 扩散模型通过逐步去除高斯噪声生成新图像，学习评分函数。
- 模型的平移等变性和局部性是关键因素，构建的等变局部评分（ELS）机器准确度超过90%。
- 研究表明，生成新图像时，模型必须未能学习理想评分函数。
- 研究人员分析了扩散模型如何使用CNN估计评分函数，识别出平移等变性和局部性两个偏差。
- 等变局部评分（ELS）机器是一组方程，用于计算去噪图像的组合。
- ELS机器的输出与扩散模型（如ResNets和UNets）输出之间存在显著一致性，准确度约为90%以上。
- 该研究首次以如此高的准确度解释了深度神经网络生成模型的创造性输出。
- 研究表明，扩散模型通过在新输出中混合和匹配不同的局部训练集图像块来创造新图像。
- 研究结果表明，局部性和等变性足以解释仅使用卷积的扩散模型的创造力。
- 研究人员分享了用于训练扩散模型的代码。
❓
延伸问答
扩散模型的创造力是如何产生的？
扩散模型的创造力源于去噪过程，通过逐步去除高斯噪声生成新图像。
研究人员是如何分析扩散模型的评分函数的？
研究人员通过分析扩散模型如何使用卷积神经网络（CNN）估计评分函数，识别出平移等变性和局部性两个偏差。
等变局部评分（ELS）机器的作用是什么？
等变局部评分（ELS）机器用于计算去噪图像的组合，并与扩散模型的输出进行比较，准确度超过90%。
扩散模型生成新图像时的关键因素是什么？
生成新图像时，模型的平移等变性和局部性是关键因素。
研究结果如何解释扩散模型的错误？
研究表明，扩散模型可能因过度局部性而生成错误，例如多余的手指或肢体。
研究人员分享了哪些资源？
研究人员分享了用于训练扩散模型的代码。
➡️
