論文の概要: First Hitting Diffusion Models
- arxiv url: http://arxiv.org/abs/2209.01170v1
- Date: Fri, 2 Sep 2022 17:01:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:08:18.601428
- Title: First Hitting Diffusion Models
- Title（参考訳）: 最初の衝突拡散モデル
- Authors: Mao Ye, Lemeng Wu, Qiang Liu
- Abstract要約: First Hitting Diffusion Models (FHDM) は、ランダムな最初のヒット時間で終了する拡散プロセスでデータを生成する。
品質と速度の両面で、最先端のアプローチと比較して、かなりの改善が見られた。
- 参考スコア（独自算出の注目度）: 19.19644194006565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a family of First Hitting Diffusion Models (FHDM), deep generative
models that generate data with a diffusion process that terminates at a random
first hitting time. This yields an extension of the standard fixed-time
diffusion models that terminate at a pre-specified deterministic time. Although
standard diffusion models are designed for continuous unconstrained data, FHDM
is naturally designed to learn distributions on continuous as well as a range
of discrete and structure domains. Moreover, FHDM enables instance-dependent
terminate time and accelerates the diffusion process to sample higher quality
data with fewer diffusion steps. Technically, we train FHDM by maximum
likelihood estimation on diffusion trajectories augmented from observed data
with conditional first hitting processes (i.e., bridge) derived based on Doob's
$h$-transform, deviating from the commonly used time-reversal mechanism. We
apply FHDM to generate data in various domains such as point cloud (general
continuous distribution), climate and geographical events on earth (continuous
distribution on the sphere), unweighted graphs (distribution of binary
matrices), and segmentation maps of 2D images (high-dimensional categorical
distribution). We observe considerable improvement compared with the
state-of-the-art approaches in both quality and speed.
- Abstract（参考訳）: 本稿では,ランダムな第1打上げ時間で終了する拡散過程を持つデータを生成する深部生成モデルである,第1打上げ拡散モデル(fhdm)のファミリーを提案する。
これにより、所定の決定論的時間で終了する標準固定時間拡散モデルの拡張が得られる。
標準拡散モデルは連続的無拘束データのために設計されているが、fhdmは自然に、連続的および離散的および構造的領域の分布を学ぶように設計されている。
さらに、FHDMはインスタンス依存の終了時間を可能にし、拡散過程を加速し、より少ない拡散ステップで高品質なデータをサンプリングする。
技術的には、一般的に使用される時間反転機構から逸脱したDoobの$h$-transformに基づいて、FHDMを条件付き第1打法(ブリッジ)を用いて観測データから拡張した拡散軌跡の最大推定により訓練する。
fhdmを用いて、点雲(一般的な連続分布)、地球上の気候・地理事象(球面上の連続分布)、非重み付けグラフ(二元行列の分布)、および2次元画像のセグメンテーションマップ(高次元圏分布)などの様々な領域のデータを生成する。
品質と速度の両面で最先端のアプローチと比べてかなりの改善が見られた。
関連論文リスト
- Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - 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) - Conffusion: Confidence Intervals for Diffusion Models [32.36217153362305]
現在の拡散法は、生成された結果に関する統計的保証を提供していない。
我々は,1つの前方通過における間隔境界を予測するために,事前学習した拡散モデルを微調整する融合法を提案する。
コンフュージョンは3桁の精度でベースライン法より優れていることを示す。
論文 参考訳（メタデータ） (2022-11-17T18:58:15Z) - 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) - 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) - A Survey on Generative Diffusion Model [75.51029309815213]
拡散モデルには、遅い生成過程の自然な欠点があり、多くの強化された研究につながっている。
本稿では,学習スケジュール,トレーニング不要サンプリング,混合モデリング,スコア・アンド・拡散統一といった,拡散モデルを高速化する高度な手法を提案する。
拡散モデルを持つアプリケーションは、コンピュータビジョン、シーケンスモデリング、オーディオ、科学のためのAIを含む。
論文 参考訳（メタデータ） (2022-09-06T16:56:21Z) - How Much is Enough? A Study on Diffusion Times in Score-based Generative
Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。
本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文 参考訳（メタデータ） (2022-06-10T15:09:46Z) - Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
本稿では,観測画像データから因果構造を推定する作業について考察する。
Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。
Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
論文 参考訳（メタデータ） (2022-02-21T12:23:01Z) - Diffusion Normalizing Flow [4.94950858749529]
本稿では微分方程式(SDE)に基づく拡散正規化フローという新しい生成モデルを提案する。
このアルゴリズムは、2つのニューラルSDEで構成されており、データに徐々にノイズを加えてガウスランダムノイズに変換するフォワードSDEと、データ分布からサンプルへのノイズを徐々に除去する後方SDEである。
提案アルゴリズムは,高次元データ密度推定と画像生成の両タスクにおける競合性能を示す。
論文 参考訳（メタデータ） (2021-10-14T17:41:12Z) - Structured Denoising Diffusion Models in Discrete State-Spaces [15.488176444698404]
本稿では離散化拡散確率モデル(D3PM)を離散データに適用する。
遷移行列の選択は、画像およびテキスト領域における結果の改善につながる重要な設計決定である。
テキストでは、このモデルクラスは、LM1B上の大きな語彙にスケールしながら、文字レベルのテキスト生成に強い結果をもたらす。
論文 参考訳（メタデータ） (2021-07-07T04:11:00Z)
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。