标签

 扩散模型 

相关的文章:

本列表汇集了关于扩散模型的最新研究成果,涵盖创意起源、图像编辑加速、异常检测、视频推理效率提升及药物生成等多个领域的创新进展。

研究人员试图揭示扩散模型创造力的起源

In a recent paper, Stanford researchers Mason Kamb and Surya Ganguli proposed a mechanism that could underlie the creativity of diffusion models. The mathematical model they developed suggests...

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。

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。发表于:
阅读原文
发表于:
阅读原文
发表于:
阅读原文
发表于:
阅读原文
发表于:
阅读原文
发表于:
阅读原文
发表于:
阅读原文

视频扩散模型新突破!清华腾讯联合实现高保真3D生成,告别多视图依赖

从一张图像出发,基于自定义的相机轨迹探索三维场景

清华与腾讯联合研发的Scene Splatter模型基于视频扩散技术,从单张图像生成高保真3D场景,解决了几何扭曲和一致性问题。该模型通过动量引导生成多视角视频,显著提升三维场景重建效果。

原文中文,约2000字,阅读约需5分钟。发表于:
阅读原文

何恺明新作:给扩散模型加正则化,无需预训练无需数据增强,超简单实现性能提升

可以即插即用

何恺明的新论文提出了一种名为Dispersive Loss的正则化方法,旨在提升扩散模型的生成效果。该方法无需预训练和数据增强,通过正则化中间表示来增强特征分散性,简化实现并提高生成质量。实验结果显示,Dispersive Loss在多种模型上显著改善生成效果,具有广泛的应用潜力。

原文中文,约1600字,阅读约需4分钟。发表于:
阅读原文
发表于:
阅读原文