本文全面回顾了计算机视觉中去噪扩散模型的发展，探讨了三种通用扩散建模框架：去噪扩散概率模型、噪声条件评分网络和随机微分方程，并对比了扩散模型与其他深度生成模型如VAEs、GANs的关系。文章指出扩散模型在图像生成、超分辨率等任务中的广泛应用，同时也指出了其计算效率低下的局限性，展望了未来研究方向。
去噪扩散模型是计算机视觉中的一个新兴课题，在生成建模领域显示了显著的结果。扩散模型是基于正向扩散和反向扩散两个阶段的深度生成模型。在正向扩散阶段，通过加入高斯噪声对输入数据进行逐级扰动。在反向阶段，模型的任务是通过学习逐步逆转扩散过程来恢复原始输入数据。扩散模型因其生成样本的质量和多样性而受到广泛赞赏，尽管其已知的计算负担，即采样过程中涉及的大量步骤导致速度较低。本文对应用于视觉的去噪扩散模型的文章进行了全面的回顾，包括该领域的理论和实践贡献。首先，我们确定并提出了三种通用的扩散建模框架，它们是基于去噪扩散概率模型、噪声条件评分网络和随机微分方程。我们进一步讨论了扩散模型和其他深层生成模型之间的关系，包括变分自编码器、生成对抗网络、基于能量的模型、自回归模型和归一化流。然后，我们介绍了一种多视角分类扩散模型在计算机视觉中的应用。最后，我们说明了扩散模型目前的局限性，并展望了一些有趣的未来研究方向。
https://www.zhuanzhi.ai/paper/3b8069429047d95eed52a50e7b1fdece
导论
扩散模型[1]-[11]构成了深度生成模型的一个类别，它最近成为计算机视觉中最热门的话题之一(见图1)，展示了令人印象深刻的生成能力，从高水平的细节到生成示例的多样性。我们甚至可以说，这些生成模型将生成建模领域的标准提高到一个新的水平，特别是涉及到模型，如Imagen[12]和潜在扩散模型(LDM)[10
最低0.47元/天 解锁文章
607
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
