Diffusion Model相关论文解析（十二)GLAD

已于 2024-08-28 10:31:18 修改
阅读量121 收藏 1
点赞数 1
分类专栏： Diffusion论文解读 文章标签： 人工智能 diffusion pytorch 计算机视觉
于 2024-08-26 16:10:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37737957/article/details/141559298
版权

目录


GLAD Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised

1、摘要

本文提出了一种名为GLAD（Global and Local Adaptive Diffusion Models）的全局和局部自适应扩散模型，旨在改进无监督异常检测任务中的图像重构性能。由于传统扩散模型仅使用正常数据进行训练，它们在测试图像上重构正常对应图像时往往会添加一些噪声。然而，这些方法对所有可能的异常都同等对待，这可能导致两个问题：一是从全局视角看，重构不同异常图像的难度不均匀；二是从局部视角看，同一图像中异常区域与正常区域的重构存在差异。
因此，我们建议通过评估图像内容与从扩散模型中提取的先验之间的差异来预测每个样本的特定去噪步骤，而不是对所有样本使用相同的设置。从局部角度来看，即使在同一幅图像中，重建的异常区域与正常区域也是不同的。
理论上，扩散模型预测了每一步的噪声，通常遵循标准高斯分布。然而，由于异常与潜在正态对应的差异，异常区域的预测噪声将不可避免地偏离标准高斯分布。为此，我们提出在训练中引入合成异常样本，鼓励扩散模型突破标准高斯分布的限制，并在推理过程中采用空间自适应特征融合方案。在此基础

了解本专栏 订阅专栏 解锁全文 超级会员免费看
mm_exploration
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
Diffusion Model相关论文整理(一)
m0_37737957的博客
08-19 664
1、DDPM: Denoising Diffusion Probabilistic Models 2、DDIM: Denoising Diffusion Probabilistic Models 3、Generative Modeling by Estimating Gradients of the Data Distribution 4、Score-based generative modeling through stochastic differential equations
Diffusion model经典论文
Kuekua的专栏
03-07 559
Diffusion model现状：比GAN训练更稳定，生成多样性更好，但生成效果不如GAN。作者因此思考，是否可以通过优化网络结构，在真实度和多样性上进行平衡，让生成效果变好。如何在有限计算资源的前提下提升Diffusion model的生成效果。
Diffusion Model原理详解及源码解析
秃头小苏的博客
12-31 4596
Hello，大家好，我是小苏🧒🏽🧒🏽🧒🏽今天来为大家介绍Diffusion Model（扩散模型 ），在具体介绍之前呢，先来谈谈Diffusion Model主要是用来干什么的。🥂🥂🥂其实啊，它对标的是生成对抗网络（GAN），只要GAN能干的事它基本都能干。🍄🍄🍄在之前我已经做过很多期有关GAN网络的教学，还不清楚的可以点击☞☞☞进入专栏查看详情。在我一番体验Diffusion Model后，它给我的感觉是非常惊艳的。我之前用GAN网络来实现一些图片生成任务其实效果并不是很理想，而且往往训练很不稳定。
【论文阅读】Diffusion Model
l1o99的博客
12-25 440
这是学习Diffusion扩散模型时所做的笔记。
Diffusion Model原理详解及源码解析_diffusion model用于超分的能力边界
2401_85014224的博客
05-16 760
​Z2​+1−at​​Z1​服从N01−atat−1我们来看看公式4得到了什么——其得到了xtx_txt​时刻图像和xt−2x_{t-2}xt−2​时刻图像的关系。按照我们先前的理解，我们再列出xt−3x_{t-3}xt−3​时刻图像和xt−2x_{t-2}xt−2​时刻图像的关系，如下：​Xt−2at−2Xt−31−at−2Z3​Z3​     ——公式5。
论文阅读：Diffusion Model-Based Image Editing: A Survey
huzimu_的博客
03-09 1860
这篇文章是一篇基于扩散模型（Diffusion Model）的图片编辑（image editing）方法综述。作者从多个方面对当前的方法进行分类和分析，包括学习策略、用户输入、和适用的任务等。为了进一步评估文本引导的图片编辑算法，作者提出了一个新的基准，EditEval，采用了一个创新的指标：LMM Score。最后，作者分析了当前方法的局限和未来可能的研究方向。
diffusion model扩散模型论文解读，含详细公式推导，通俗易懂！
hhjoerrrr的博客
05-28 6416
想了解扩散模型，看这一篇就够了，富含超清晰详细公式推导，高效省时，通俗易懂，小白也不费力！
论文阅读笔记-DiffusionInst: Diffusion Model for Instance Segmentation
qq_41234663的博客
02-20 1833
第一篇将扩散模型用于实例分割的文章
Diffusion Models 10 篇必读论文（3）Classifier-guided Diffusion Model
wonderful_boy的博客
11-27 369
目前生成模型有好几种，包括 GANs 和 likelihood-based models 等，目前在生成任务上，依然是 GANs 取得最好的效果，但 GANs 难以训练和扩展，限制了其应用。虽然 diffusion model 近几年有了大的发展，但在生成任务上，比较 GANs 还是略逊一筹。
Diffusion Model论文/DALL E 2
weixin_46483785的博客
10-13 175
Diffusion Model – 扩散模型21火爆了能做什么？去噪、基于文字生成图像DALL·E 2：输入文字描述，能够生产图像GAN – 生成式对抗网络。
Diffusion Model相关论文解析之(九)LafitE: Latent Diffusion Model with Feature Editing
m0_37737957的博客
08-23 401
LafitE方法涉及使用线性组合将查询样本的每个特征切片与其核心集合MC中的其前K个最近邻进行编辑。编辑后的特征切片表示为e(i,j)，编辑后的整个特征张量表示为e。最近邻的加权项有助于将MC中存储的相似但不同的正常模式的信息整合在一起，确保编辑特征的分布不会偏离正常数据流形太远。然后，在编辑后的特征张量e上进行扩散重构，事先排除异常信息以解决身份快捷问题。通过计算去噪特征张量x0rec与原始特征张量x0之间的L2范数重构误差，然后进行上采样和高斯核平滑，以获得用于异常定位的图像级分数图进行异常估计。
Diffusion Model相关论文解析之(二)DENOISING DIFFUSION IMPLICIT MODELS
m0_37737957的博客
08-17 185
1、摘要 2、创新点 3、主要公式 4、自己的理解，对错不确定
Diffusion Model相关论文解析之(一)Denoising Diffusion Probabilistic Models
m0_37737957的博客
08-17 225
1、摘要 2、创新点 3、主要公式 4、主要实现过程
Diffusion Model相关论文解析之(六)Unsupervised Surface Anomaly Detection with Diffusion Probabilistic Model
m0_37737957的博客
08-21 19
1）DiffAD引入了噪声条件嵌入和插值通道，以提高异常检测中的重建质量和多样性。 2）噪声条件嵌入通过噪声扩散潜在表示，区分正常和异常区域，提高重建质量。 3）插值通道生成额外特征通道，增强重建期间的多样性。
【小迪安全笔记V2022】信息打6~8
2202_75354817的博客
08-25 2027
小迪安全学习笔记
python 实现convolution neural network卷积神经网络算法
luthane的博客
08-26 5395
卷积神经网络（Convolutional Neural Networks, CNN）是一种包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks, FNN），是深度学习的代表算法之一。基本原理CNN的核心思想是通过模拟人类视觉系统的工作方式，自动提取图像中的特征，并将其用于分类、检测、分割等任务。它主要受到了生物学上感知机制的启发，模拟了人类视觉系统中的感知细胞和复杂细胞的工作方式。
透明性和解释性AI：概念与应用
weixin_49007164的博客
08-25 1706
透明性AI指的是AI系统的操作过程、决策机制、数据流动和模型行为是可理解和可追踪的。换句话说，透明性AI使得人们可以清楚地看到AI系统是如何做出决策的，这一过程包括输入数据的处理方式、模型的内部计算过程、以及最终决策的产生机制。解释性AI是指AI系统不仅能够给出决策结果，还能够提供关于该决策如何产生的解释。解释性AI的目标是帮助用户理解AI的行为，尤其是当AI的决策与预期不符时，提供合理的解释来消除用户的疑虑。
【python计算机视觉编程——1.基本的图像操作和处理】
最新发布
m0_53694086的博客
08-26 4867
参数sigma为标准差（σ），是高斯滤波器的一个重要参数，它控制滤波器的平滑程度。标准差越大，高斯函数的曲线越宽，滤波器的影响范围就越大。标准差较大: 高斯滤波器会在更大范围内进行平滑，使得图像变得更加模糊，细节和边缘特征会被更强地平滑掉。标准差较小: 高斯滤波器会产生较小范围的平滑效果，图像的细节保留更多。还可以给定转换矩阵，将RGB图像转换为CIE XYZ色彩空间。图像像素值被分成128个区间，用于计算每个区间的像素值频率。可以返回目录中所有jpg图像的列表。
diffusion model
09-23
diffusion model是一种用于模拟信息传播和扩散的数学模型。它可以用来分析在网络或社交媒体等平台上，信息如何从一个节点传播到其他节点，并最终影响整个网络的行为。diffusion model可以帮助我们理解病毒传播、谣言扩散、信息传播等现象。 在diffusion model中，每个节点代表一个个体，节点之间通过连接表示他们之间的相互作用。当一个节点受到某种刺激（如信息、观点等）时，它会将这个刺激传递给与之连接的节点。这些节点根据一定的规则和概率来接受或拒绝这个刺激，并将其传递给它们的邻居节点。这个过程不断重复，直到没有新的节点接受到刺激为止。 diffusion model有许多不同的变体，包括独立级联模型（Independent Cascade Model）、线性阈值模型（Linear Threshold Model）和多层级模型（Multilevel Model）等。每种模型都有不同的假设和规则，用于描述节点之间的相互作用和信息传播的过程。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值