論文の概要: Functional Diffusion
- arxiv url: http://arxiv.org/abs/2311.15435v1
- Date: Sun, 26 Nov 2023 21:35:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 17:41:49.504092
- Title: Functional Diffusion
- Title(参考訳): 機能性拡散
- Authors: Biao Zhang and Peter Wonka
- Abstract要約: 本稿では,関数拡散と呼ばれる新しい生成拡散モデルを提案する。
汎函数拡散は古典的拡散モデルの無限次元領域への拡張と見なすことができる。
3次元表面上で定義された複雑な符号付き距離関数と変形関数の生成結果を示す。
- 参考スコア(独自算出の注目度): 55.251174506648454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new class of generative diffusion models, called functional
diffusion. In contrast to previous work, functional diffusion works on samples
that are represented by functions with a continuous domain. Functional
diffusion can be seen as an extension of classical diffusion models to an
infinite-dimensional domain. Functional diffusion is very versatile as images,
videos, audio, 3D shapes, deformations, \etc, can be handled by the same
framework with minimal changes. In addition, functional diffusion is especially
suited for irregular data or data defined in non-standard domains. In our work,
we derive the necessary foundations for functional diffusion and propose a
first implementation based on the transformer architecture. We show generative
results on complicated signed distance functions and deformation functions
defined on 3D surfaces.
- Abstract(参考訳): 本稿では,関数拡散と呼ばれる新しい生成拡散モデルを提案する。
以前の研究とは対照的に、関数拡散は連続領域を持つ関数で表されるサンプルに作用する。
関数拡散は古典的拡散モデルの無限次元領域への拡張と見なすことができる。
機能拡散は、画像、ビデオ、オーディオ、3d形状、変形、 \etcが最小限の変更で同じフレームワークで処理できるため、非常に多様である。
さらに、関数拡散は非標準領域で定義された不規則データやデータに特に適している。
本研究では,関数拡散に必要な基礎を導出し,トランスフォーマアーキテクチャに基づく最初の実装を提案する。
3次元面上で定義される複雑な符号付き距離関数と変形関数に対する生成結果を示す。
関連論文リスト
- 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) - Surf-D: High-Quality Surface Generation for Arbitrary Topologies using
Diffusion Models [84.70704129551245]
Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。
UDFは任意のトポロジを扱うのに優れており、複雑な形状を生成することができる。
論文 参考訳(メタデータ) (2023-11-28T18:56:01Z) - Eliminating Lipschitz Singularities in Diffusion Models [51.806899946775076]
拡散モデルは、時間ステップの零点付近で無限のリプシッツをしばしば表すことを示す。
これは、積分演算に依存する拡散過程の安定性と精度に脅威をもたらす。
我々はE-TSDMと呼ばれる新しい手法を提案し、これは0に近い拡散モデルのリプシッツを除去する。
論文 参考訳(メタデータ) (2023-06-20T03:05:28Z) - Manifold Diffusion Fields [11.4726574705951]
非ユークリッド幾何学におけるデータ拡散モデルの学習を解き放つアプローチを提案する。
ラプラス・ベルトラミ作用素の固有関数を通して多様体上の固有座標系を定義する。
我々はMDFが従来の手法よりも多様性と忠実さでそのような関数の分布を捉えることができることを示す。
論文 参考訳(メタデータ) (2023-05-24T21:42:45Z) - Diffusion Probabilistic Fields [42.428882785136295]
距離空間上で定義された連続関数上の分布を学習する拡散モデルである拡散確率場(DPF)を導入する。
我々は,非ユークリッド距離空間上で定義されたフィールド上の分布のモデル化に加えて,DPFが2次元画像や3次元幾何学などの異なるモダリティを効果的に扱うことを実証的に示す。
論文 参考訳(メタデータ) (2023-03-01T01:37:24Z) - Diffusion Generative Models in Infinite Dimensions [10.15736468214228]
拡散生成モデルを一般化して関数空間で直接操作する。
関数空間の観点の大きな利点は、開発中の関数空間を明示的に指定できることです。
提案手法により,関数値データの条件付き生成と条件付き生成を両立させることができる。
論文 参考訳(メタデータ) (2022-12-01T21:54:19Z) - 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) - The Manifold Scattering Transform for High-Dimensional Point Cloud Data [16.500568323161563]
本稿では,自然システムにおけるデータセットへの多様体散乱変換の実装のための実践的スキームを提案する。
本手法は信号の分類や多様体の分類に有効であることを示す。
論文 参考訳(メタデータ) (2022-06-21T02:15:00Z) - From Sets to Multisets: Provable Variational Inference for Probabilistic
Integer Submodular Models [82.95892656532696]
サブモジュール関数は機械学習やデータマイニングにおいて広く研究されている。
本研究では,整数部分モジュラ函数に対する連続DR-部分モジュラ拡張を提案する。
整数部分モジュラー関数によって定義される新しい確率モデルを定式化する。
論文 参考訳(メタデータ) (2020-06-01T22:20:45Z)
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。