論文の概要: Generative Modelling With Inverse Heat Dissipation
- arxiv url: http://arxiv.org/abs/2206.13397v1
- Date: Tue, 21 Jun 2022 13:40:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 02:10:12.927861
- Title: Generative Modelling With Inverse Heat Dissipation
- Title（参考訳）: 逆熱散逸を伴う生成モデル
- Authors: Severi Rissanen, Markus Heinonen, Arno Solin
- Abstract要約: 本研究では,熱方程式を反復的に反転させて画像を生成する新しいモデルを提案し,画像の2次元平面上での走行時に微細な情報を消去するPDEを提案する。
画像の質を実証し,拡散モデルでは見られない創発的質的特性を指摘する。
- 参考スコア（独自算出の注目度）: 21.738877553160304
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While diffusion models have shown great success in image generation, their
noise-inverting generative process does not explicitly consider the structure
of images, such as their inherent multi-scale nature. Inspired by diffusion
models and the desirability of coarse-to-fine modelling, we propose a new model
that generates images through iteratively inverting the heat equation, a PDE
that locally erases fine-scale information when run over the 2D plane of the
image. In our novel methodology, the solution of the forward heat equation is
interpreted as a variational approximation in a directed graphical model. We
demonstrate promising image quality and point out emergent qualitative
properties not seen in diffusion models, such as disentanglement of overall
colour and shape in images and aspects of neural network interpretability.
Spectral analysis on natural images positions our model as a type of dual to
diffusion models and reveals implicit inductive biases in them.
- Abstract（参考訳）: 拡散モデルは画像生成において大きな成功を収めているが、ノイズ反転生成過程は画像の構造を明示的に考慮していない。
拡散モデルに着想を得て, 熱方程式を反復反転させて画像を生成するモデルを提案し, 画像の2次元平面上を走行すると, 局所的に微細な情報を消去するPDEを提案する。
提案手法では,フォワード熱方程式の解を有向グラフィカルモデルにおける変分近似として解釈する。
画像の全体色と形状のアンタングル化やニューラルネットワークの解釈可能性の面など,拡散モデルでは見られない有望な画像品質と創発的定性的特性を示す。
自然画像のスペクトル解析は、我々のモデルを拡散モデルと双対のタイプとして位置づけ、それらに暗黙の帰納バイアスが現れる。
関連論文リスト
- G2D2: Gradient-guided Discrete Diffusion for image inverse problem solving [55.185588994883226]
本稿では,従来の離散拡散に基づく画像生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。
我々の知る限りでは、これは画像逆問題を解決するために離散拡散モデルに基づく先行手法を使う最初のアプローチである。
論文 参考訳（メタデータ） (2024-10-09T06:18:25Z) - Diffusion Models Generate Images Like Painters: an Analytical Theory of Outline First, Details Later [1.8416014644193066]
画像生成の基盤となる逆拡散過程には,以下の特性がある。
個々の軌道は低次元であり、2次元回転に似ている」。
本手法は,事前学習したモデルに対する画像生成の初期フェーズを正確に記述する。
論文 参考訳（メタデータ） (2023-03-04T20:08:57Z) - Bi-Noising Diffusion: Towards Conditional Diffusion Models with
Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。
我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文 参考訳（メタデータ） (2022-12-14T17:26:35Z) - SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。
SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。
第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
論文 参考訳（メタデータ） (2022-11-22T18:00:03Z) - Unifying Diffusion Models' Latent Space, with Applications to
CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。
テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文 参考訳（メタデータ） (2022-10-11T15:53:52Z) - Blurring Diffusion Models [27.339469450737525]
非等方性雑音を持つガウス拡散過程により, ボケリングが等価に定義されることを示す。
本稿では,拡散と逆熱散逸を両立させる標準ガウス微分モデルを提案する。
論文 参考訳（メタデータ） (2022-09-12T19:16:48Z) - Diffusion Models in Vision: A Survey [80.82832715884597]
拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。
拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
論文 参考訳（メタデータ） (2022-09-10T22:00:30Z) - Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise [52.59444045853966]
画像劣化の選択を変更すれば,生成モデル全体のファミリを構築することができることを示す。
完全な決定論的モデルの成功は、拡散モデルに対するコミュニティの理解に疑問を投げかける。
論文 参考訳（メタデータ） (2022-08-19T15:18:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。