論文の概要: A Survey on Generative Diffusion Model

• arxiv url: http://arxiv.org/abs/2209.02646v1
• Date: Tue, 6 Sep 2022 16:56:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 13:50:43.265954
• Title: A Survey on Generative Diffusion Model
• Title（参考訳）: 生成拡散モデルに関する調査研究
• Authors: Hanqun Cao, Cheng Tan, Zhangyang Gao, Guangyong Chen, Pheng-Ann Heng, and Stan Z. Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 75.51029309815213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning shows great potential in generation tasks thanks to deep latent representation. Generative models are classes of models that can generate observations randomly with respect to certain implied parameters. Recently, the diffusion Model becomes a raising class of generative models by virtue of its power-generating ability. Nowadays, great achievements have been reached. More applications except for computer vision, speech generation, bioinformatics, and natural language processing are to be explored in this field. However, the diffusion model has its natural drawback of a slow generation process, leading to many enhanced works. This survey makes a summary of the field of the diffusion model. We firstly state the main problem with two landmark works - DDPM and DSM. Then, we present a diverse range of advanced techniques to speed up the diffusion models - training schedule, training-free sampling, mixed-modeling, and score & diffusion unification. Regarding existing models, we also provide a benchmark of FID score, IS, and NLL according to specific NFE. Moreover, applications with diffusion models are introduced including computer vision, sequence modeling, audio, and AI for science. Finally, there is a summarization of this field together with limitations & further directions.
• Abstract（参考訳）: ディープラーニングは、深い潜伏表現のおかげで、生成タスクに大きな可能性を示す。 生成モデルは、ある暗黙のパラメータに関してランダムに観測を生成できるモデルのクラスである。 近年, 拡散モデルは, 発電能力の高まりにより, 生成モデルの育成クラスとなっている。 今日では大きな成果が達成されている。 この分野では、コンピュータビジョン、音声生成、バイオインフォマティクス、自然言語処理以外の多くの応用が検討される。 しかし、拡散モデルは生成過程が遅いという自然な欠点があり、多くの改良された作品に繋がる。 本調査では拡散モデルの分野について概説する。 まず、2つの目印となるDDPMとDSMで主要な問題を述べる。 次に,拡散モデルを高速化するための様々な高度な手法 - トレーニングスケジュール,トレーニングフリーサンプリング,混合モデリング,スコアと拡散の統一など - を提案する。 既存のモデルに関しては、特定のNFEに応じて、FIDスコア、IS、NLLのベンチマークも提供します。 さらに、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、ai for scienceなどの拡散モデルアプリケーションも紹介されている。 最後に、制限とさらなる方向とともに、この分野の要約がある。

関連論文リスト

• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
  拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。 本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。 医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
  論文  参考訳（メタデータ） (2024-06-17T01:49:27Z)
• An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
  拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。 経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。 本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
  論文  参考訳（メタデータ） (2024-04-11T14:07:25Z)
• Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
  ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。 本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T11:19:11Z)
• Diffusion Models for Time Series Applications: A Survey [23.003273147019446]
  拡散モデルは現在、画像、ビデオ、テキスト合成に使われている。 我々は,時系列予測,計算,生成のための拡散に基づく手法に着目する。 拡散型手法の共通限界を結論し,今後の研究の方向性を明らかにする。
  論文  参考訳（メタデータ） (2023-05-01T02:06:46Z)
• DAG: Depth-Aware Guidance with Denoising Diffusion Probabilistic Models [23.70476220346754]
  拡散モデルの豊かな中間表現から得られた推定深度情報を利用する拡散モデルのための新しいガイダンス手法を提案する。 実験と広範囲にわたるアブレーション研究により,幾何学的に妥当な画像生成に向けた拡散モデルの導出における本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-12-17T12:47:19Z)
• 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)
• Diffusion Models: A Comprehensive Survey of Methods and Applications [10.557289965753437]
  拡散モデル(英: Diffusion model)は、密度理論の確立を伴う様々なタスクにおいて印象的な結果を示す深層生成モデルのクラスである。 近年,拡散モデルの性能向上への熱意が高まっている。
  論文  参考訳（メタデータ） (2022-09-02T02:59:10Z)

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。