Fugu-MT 論文翻訳(概要): Diffusion Model with Perceptual Loss

論文の概要: Diffusion Model with Perceptual Loss

arxiv url: http://arxiv.org/abs/2401.00110v6
Date: Fri, 15 Nov 2024 21:05:31 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-19 14:31:21.155610
Title: Diffusion Model with Perceptual Loss
Title（参考訳）: 知覚的損失を伴う拡散モデル
Authors: Shanchuan Lin, Xiao Yang,
Abstract要約: 誘導のない拡散モデルは非現実的なサンプルを生成する傾向があるが、この問題の原因は十分に研究されていない。本稿では,拡散モデル自体を知覚的損失として利用する新たな自己知覚的損失を提案する。本研究は, 知覚的損失を拡散訓練に応用し, 試料品質を効果的に改善できることを実証する。
参考スコア（独自算出の注目度）: 3.9571411466709847
License:
Abstract: Diffusion models without guidance tend to generate unrealistic samples, yet the cause of this problem is not fully studied. Our analysis suggests that the loss objective plays an important role in shaping the learned distribution and the common mean squared error loss is not optimal. We hypothesize that a better loss objective can be designed with inductive biases and propose a novel self-perceptual loss that utilizes the diffusion model itself as the perceptual loss. Our work demonstrates that perceptual loss can be used in diffusion training to improve sample quality effectively. Models trained using our objective can generate realistic samples without guidance. We hope our work paves the way for more future explorations of the diffusion loss objective.
Abstract（参考訳）: 誘導のない拡散モデルは非現実的なサンプルを生成する傾向があるが、この問題の原因は十分に研究されていない。分析の結果, 損失目標が学習分布を形成する上で重要な役割を担っていることが示唆され, 平均二乗誤差損失は最適ではない。より優れた損失目標を帰納的バイアスで設計できると仮定し,拡散モデル自体を知覚的損失として活用する新たな自己知覚的損失を提案する。本研究は, 知覚的損失を拡散訓練に応用し, 試料品質を効果的に改善できることを実証する。我々の目的を用いて訓練されたモデルは、ガイダンスなしで現実的なサンプルを生成することができる。われわれの研究が、拡散損失目標のさらなる探究の道を開くことを願っている。

関連論文リスト

Your Diffusion Model is Secretly a Noise Classifier and Benefits from Contrastive Training [20.492630610281658]
拡散モデルはデータをノイズ化することを学び、訓練されたデノイザを使用してデータ分布から新しいサンプルを生成する。サンプルに追加される雑音のレベルを識別する,新たな自己教師型学習目標を提案する。提案手法は逐次的および並列的な設定に有効であることを示す。
論文参考訳（メタデータ） (2024-07-12T03:03:50Z)
Consistent Diffusion Meets Tweedie: Training Exact Ambient Diffusion Models with Noisy Data [74.2507346810066]
アンビエント拡散(アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散本稿では,ノイズの多い学習データのみを考慮し,故障のない分布から確実にサンプルを採取する拡散モデルのトレーニングのための最初のフレームワークを提案する。
論文参考訳（メタデータ） (2024-03-20T14:22:12Z)
Fine-Tuning of Continuous-Time Diffusion Models as Entropy-Regularized Control [54.132297393662654]
拡散モデルは、自然画像やタンパク質のような複雑なデータ分布を捉えるのに優れている。拡散モデルはトレーニングデータセットの分布を表現するために訓練されるが、私たちはしばしば、生成された画像の美的品質など他の特性にもっと関心を持っている。本稿では,本フレームワークが真に報酬の高い多種多様なサンプルを効率よく生成できることを示す理論的,実証的な証拠を示す。
論文参考訳（メタデータ） (2024-02-23T08:54:42Z)
Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文参考訳（メタデータ） (2024-01-17T07:58:18Z)
Fair Sampling in Diffusion Models through Switching Mechanism [5.560136885815622]
本研究では,拡散モデルに対するテクスタトリビュートスイッチング機構という,公平性を考慮したサンプリング手法を提案する。提案手法の有効性を2つの重要な側面から数学的に証明し,実験的に実証する。
論文参考訳（メタデータ） (2024-01-06T06:55:26Z)
Bridging the Gap: Addressing Discrepancies in Diffusion Model Training for Classifier-Free Guidance [1.6804613362826175]
拡散モデルは、生成モデルにおいて重要な進歩として現れている。本稿では,従来の訓練方法と所望の条件付きサンプリング行動との相違点を明らかにすることを目的とする。トレーニング目標とサンプリング行動との整合性を向上する改良された損失関数を導入する。
論文参考訳（メタデータ） (2023-11-02T02:03:12Z)
Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
論文参考訳（メタデータ） (2023-03-28T17:59:56Z)
StoRM: A Diffusion-based Stochastic Regeneration Model for Speech Enhancement and Dereverberation [20.262426487434393]
本稿では,予測モデルによる推定値がさらなる拡散のガイドとして提供される再生手法を提案する。提案手法は, 高い品質のサンプルを作成しながら, 発声・呼吸アーチファクトを除去するために, 予測モデルを用いていることを示す。
論文参考訳（メタデータ） (2022-12-22T16:35:42Z)
Classifier-Free Diffusion Guidance [17.355749359987648]
誘導法は条件付き拡散モデルにおけるモードカバレッジとサンプル忠実度をトレードオフする手法として最近導入された。このような分類器を使わずに、純粋な生成モデルによってガイダンスを実際に実行できることが示される。結果の条件と非条件のスコアの見積もりを組み合わせることで、サンプルの品質と多様性のトレードオフを達成します。
論文参考訳（メタデータ） (2022-07-26T01:42:07Z)
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)
Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文参考訳（メタデータ） (2021-02-09T20:28:35Z)

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。