Fugu-MT 論文翻訳(概要): Diffusion Models as Cartoonists! The Curious Case of High Density Regions

論文の概要: Diffusion Models as Cartoonists! The Curious Case of High Density Regions

arxiv url: http://arxiv.org/abs/2411.01293v1
Date: Sat, 02 Nov 2024 16:02:47 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 14:50:04.239571
Title: Diffusion Models as Cartoonists! The Curious Case of High Density Regions
Title（参考訳）: カルトニストとしての拡散モデル! 高密度領域のキュラスケース
Authors: Rafał Karczewski, Markus Heinonen, Vikas Garg,
Abstract要約: 拡散モデルの高密度領域における画像の種類について検討する。そこで本研究では,従来よりも高い確率で画像を生成する実用的な高確率サンプリング器を提案する。
参考スコア（独自算出の注目度）: 12.875154616215305
License:
Abstract: We investigate what kind of images lie in the high-density regions of diffusion models. We introduce a theoretical mode-tracking process capable of pinpointing the exact mode of the denoising distribution, and we propose a practical high-probability sampler that consistently generates images of higher likelihood than usual samplers. Our empirical findings reveal the existence of significantly higher likelihood samples that typical samplers do not produce, often manifesting as cartoon-like drawings or blurry images depending on the noise level. Curiously, these patterns emerge in datasets devoid of such examples. We also present a novel approach to track sample likelihoods in diffusion SDEs, which remarkably incurs no additional computational cost.
Abstract（参考訳）: 拡散モデルの高密度領域における画像の種類について検討する。本稿では,デノナイジング分布の正確なモードを特定できる理論的モード追跡法を提案する。実験結果から, 典型的なサンプルが生成しない可能性が極めて高く, しばしば, ノイズレベルに応じてマンガ的な図面やぼやけた画像として現れることがわかった。奇妙なことに、これらのパターンはそのような例のないデータセットに現れます。また,拡散SDEにおけるサンプル可能性を追跡する新しい手法を提案する。

関連論文リスト

Soft Mixture Denoising: Beyond the Expressive Bottleneck of Diffusion Models [76.46246743508651]
我々は,現在の拡散モデルが後方認知において表現力のあるボトルネックを持っていることを示した。本稿では,後方復調のための表現的かつ効率的なモデルであるソフトミキシング・デノナイジング(SMD)を導入する。
論文参考訳（メタデータ） (2023-09-25T12:03:32Z)
Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
論文参考訳（メタデータ） (2023-06-21T18:49:22Z)
Diffusion with Forward Models: Solving Stochastic Inverse Problems Without Direct Supervision [76.32860119056964]
本稿では,直接観測されない信号の分布からサンプルを学習する拡散確率モデルを提案する。コンピュータビジョンの課題3つの課題に対して,本手法の有効性を示す。
論文参考訳（メタデータ） (2023-06-20T17:53:00Z)
Denoising Diffusion Samplers [41.796349001299156]
拡散モデルの認知は、多くの領域で最先端の結果を提供する生成モデルの一般的なクラスである。我々は、非正規化確率密度関数から大まかにサンプリングし、それらの正規化定数を推定する類似のアイデアを探求する。この文脈ではスコアマッチングは適用できないが、モンテカルロサンプリングのために生成的モデリングで導入された多くのアイデアを利用することができる。
論文参考訳（メタデータ） (2023-02-27T14:37:16Z)
Example-Based Sampling with Diffusion Models [7.943023838493658]
画像生成のための拡散モデルは、例から点集合を生成する方法を学ぶのに適している。拡散モデルを用いて既存のサンプルを模した2次元点集合を観測点集合から生成する方法を提案する。我々は、我々のアプローチの微分可能性を用いて、特性を強制する点集合を最適化する方法を実証する。
論文参考訳（メタデータ） (2023-02-10T08:35:17Z)
Don't Play Favorites: Minority Guidance for Diffusion Models [59.75996752040651]
本稿では,拡散モデルの生成過程をマイノリティ標本に集中させる新しい枠組みを提案する。我々は、所望の確率レベルを持つ領域に向けて生成過程をガイドできるサンプリング技術であるマイノリティガイダンスを開発する。
論文参考訳（メタデータ） (2023-01-29T03:08:47Z)
Fast Inference in Denoising Diffusion Models via MMD Finetuning [23.779985842891705]
拡散モデルの高速サンプリング法であるMDD-DDMを提案する。我々のアプローチは、学習した分布を所定の予算のタイムステップで微調整するために、最大平均離散性(MMD)を使用するという考え方に基づいている。提案手法は,広範に普及した拡散モデルで要求されるわずかな時間で高品質なサンプルを生成できることが示唆された。
論文参考訳（メタデータ） (2023-01-19T09:48:07Z)
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)
Generating High Fidelity Data from Low-density Regions using Diffusion Models [15.819414178363571]
拡散過程に基づく生成モデルを用いて,低密度領域からの新規画像の合成を行う。合成データの忠実度を同時に維持しながら,低密度領域へ誘導するサンプリングプロセスを修正した。
論文参考訳（メタデータ） (2022-03-31T17:56:25Z)
Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
論文参考訳（メタデータ） (2020-12-15T07:09:02Z)

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。