2023年Diffusion Models还有哪些方向值得研究(好发论文)？

最新推荐文章于 2024-06-12 11:46:02 发布
最新推荐文章于 2024-06-12 11:46:02 发布
阅读量4.8k 收藏 26
点赞数 17
分类专栏： Diffusion Models与深度学习 文章标签： 深度学习 扩散模型 diffusion 稳定扩散模型
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/qq_41895747/article/details/130522518
版权

Diffusion Models专栏文章汇总：入门与实战

前言：笔者follow扩散模型的科研进展已经将近2年了，见证了diffusion从无人问津到炙手可热的过程。当下扩散模型还有哪些缺点？还有哪些需要改进的方向？还有哪些方向值得研究？还有哪些方向好发论文？针对这些问题博主给出一些自己的见解，欢迎大家在评论区多多讨论！

目录

方向一：结合传统方向

方向二：部署方向

方向三：加速训练 

方向四：人脸生成问题

方向五：加速推理

方向六：可控生成

方向七：从GANs研究发展中找灵感

后记

方向一：结合传统方向

个人认为这是最好发论文的方向，原因有两个：1）可以结合自己以前的科研积累，这些积累将会形成一定属于自己的科研壁垒。2）避开了热门方向、交叉研究等因素会让论文更好中稿。

例如我在近两年的顶会看到不少diffusion models结合生物、物理、化学等传统方向，也有图像分割、目标检测等CV方向。我只能表示：我看不懂，但我也没啥震撼。就水论文来说，真香！

了解本专栏 订阅专栏 解锁全文 超级会员免费看
沉迷单车的追风少年
关注
  • 17
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 36
    评论
专栏目录
订阅专栏
Scalable Diffusion Models with Transformers
03-26
### Scalable Diffusion Models with Transformers #### 概述 本文主要介绍了如何利用Transformer架构来构建可扩展的扩散模型（Diffusion Models），并将其应用于图像生成任务。这些模型在多个基准测试上取得了...
Improved Denoising Diffusion Probabilistic Models.pdf
05-18
Improved Denoising Diffusion Probabilistic Models Improved Denoising Diffusion Probabilistic Models（DDPM）是一类生成模型，它最近被证明可以生成高质量的样本。 DDPMs 通过学习反向扩散过程的方差，可以以...
ICCV 2023 | 从14篇论文看如何 改进扩散模型diffusion ？
idol24的博客
01-10 1175
1、Discriminative Class Tokens for Text-to-Image Diffusion Models文本到图像扩散模型，使得生成多样且高质量的图像成为可能。然而，这些图像往往在描绘细节方面不够精细，并且容易出现由于输入文本的歧义导致的错误。缓解这些问题的一种方法是在带类标签的数据集上训练扩散模型。这种方法有两个缺点：（i）监督数据集通常与大规模抓取的文本-图像数据集相比...
扩散模型背后数学太难了，啃不动？谷歌用统一视角讲明白了
zandaoguang的博客
08-28 546
视学算法报道机器之心编辑部扩散模型背后的数学可是难倒了一批人。最近一段时间，AI 作画可谓是火的一塌糊涂。在你惊叹 AI 绘画能力的同时，可能还不知道的是，扩散模型在其中起了大作用。就拿热门模型 OpenAI 的 DALL·E 2 来说，只需输入简单的文本（prompt），它就可以生成多张 1024*1024 的高清图像。在 DALL·E 2 公布没多久，谷歌随后发布了 Imagen，这是一个文本...
最新200篇！2024年5月 diffusion 生成扩散模型论文汇总
最新发布
idol24的博客
06-12 1058
001 (2024-06-5) Non-stationary Spatio-Temporal Modeling Using the Stochastic Advection-Diffusion Equation https://arxiv.org/pdf/2406.03400.pdf002 (2024-06-5) Generative Diffusion Models for Fast...
ICLR2023 扩散模型论文合集
AI_Conf的博客
05-08 426
AI综述（大模型驱动）：offline reinforcement学习(RL),旨在学习一个有效的政策,使用以前收集的静态数据集,是RL的一个重要范畴。在本文中,我们提出了一种新的基于条件传播模型的动态调整算法,该算法利用了条件传播模板作为高度表达性的政策类。我们表明,基于模型的政策的表达性和决策改善结合在一起,产生了卓越的性能。我们引入了基于概率浓缩的损失,这使得使用2D传播模型作为参数化图生成器的先决条件,可以使用该损失用于优化度量图生成的二值图 generator的二值。
机器人操作——diffusion policy（2023）
千羽的计算机视觉与机器人
03-18 3833
机器人操作领域发论文的热点又来了。扩散模型大概率很难和强化学习结合，因为强化学习需要网络足够小从而在每次更新的很短时间内收敛，不过基于扩散模型的动力学模型可以试试。
2023扩散模型最新技术进展汇总
学姐带你玩AI的博客
07-27 1915
随着Stable Diffusion和Midjourney等图像生成模型的爆火，今年在模型领域，稳占主导地位。因此，与之相关的新技术也层出不穷，短短1个月，扩散模型相关的论文就有上百篇了，可见其发展的火热趋势。这次我整理了一部分来和大家分享，有50+篇，希望能帮助同学们获取新的思路~
ICLR 2023 | 扩散生成模型新方法：极度简化，一步生成
Paper weekly
02-28 2701
©作者 |刘星超单位 |德州大学奥斯汀分校研究方向 |生成式模型Diffusion Generative Models（扩散式生成模型）已经在各种生成式建模任务中大放异彩，但是，其复杂的数学推导却常常让大家望而却步，缓慢的生成速度也极大地阻碍了研究的快速迭代和高效部署。研究过 DDPM 的同学可能见到过这种画风的变分法（Variational Inference）推导（截取自 What ar...
Novel Diffusion-Based Models for Image Restoration and Interpolation2019.pdf
09-07
Novel Diffusion-Based Models for Image Restoration and Interpolation Novel Diffusion-Based Models for Image Restoration and Interpolation.pdf (13.09 MB, 下载次数: 39 ) © Springer ...
Denoising Diffusion Probabilistic Models.pdf
05-18
"Denoising Diffusion Probabilistic Models" 本文将讨论 Denoising Diffusion Probabilistic Models（去噪扩散概率模型），一种基于热力学考虑的潜变量模型。该模型可以生成高质量的图像合成结果。 概率模型 ...
生成式扩散模型是风口，中国论文数量为美国的 4.5 倍
idol24的博客
11-01 375
作者 | 黄楠、施方圆编辑 | 陈彩娴转自：AI科技评论近日，剑桥大学的2022年 AI 全景报告（《State of AI Report 》）出炉！报告汇总和聚焦了过去一年里 AI 行业中炙手可热的事件，援引数据来自知名科技公司和研究小组，由投资者 Nathan Benaich 和 Ian Hogarth 编写，从研究、产业、政策、安全、预测五个维度出发，对最新的 AI 发展现状和未来预期进行深...
最新140篇！2024年4月 diffusion 生成扩散模型论文汇总
idol24的博客
04-29 1228
001 (2024-04-26) MV-VTON Multi-View Virtual Try-On with Diffusion Models https://arxiv.org/pdf/2404.17364.pdf002 (2024-04-26) Simultaneous Tri-Modal Medical Image Fusion and Super-Resolution us...
扩散模型(Diffusion)最新综述+GitHub论文汇总-A Survey On Generative Diffusion
weixin_44603934的博客
12-07 5585
diffusion模型详解
Diffusion相关论文整理
qq_45181888的博客
05-17 516
Nerf, view synthesis,图像超分辨与diffusion结合的工作
最新150篇！2023年10月diffusion生成扩散模型论文汇总
idol24的博客
11-08 692
001 (2023-10-30) CustomNet Zero-shot Object Customization with Variable-Viewpoints in Text-to-Image Diffusion Models https://arxiv.org/pdf/2310.19784.pdf002 (2023-10-30) Upgrading VAE Training ...
[论文解析] Debiasing Scores and Prompts of 2D Diffusion for Robust Text-to-3D Generation
Joselynzhao
04-06 539
In this paper, we formulate and identify the sources of the Janus problem in zero-shot text-to-3D generation. In this light, we argue that debiasing the prompts and raw 2D scores is essential for the realistic generation. Therefore, we propose two methods
为什么diffusion models钟爱u-net结构?
05-10
差分模型（diffusion model）是一种基于偏微分方程的算法，用于图像处理、计算机视觉等领域。在差分模型中，U-Net结构是一种常见的神经网络架构，用于处理图像分割问题。那么为什么差分模型钟爱U-Net结构呢？ 首先，U-Net结构是一种全卷积神经网络，能够有效地处理不同尺度的特征。在图像分割中，需要同时考虑图像的全局和局部信息，而U-Net结构能够通过嵌套的卷积和池化操作，提取不同尺度的特征。此外，U-Net结构还具有跳跃连接（skip connections）的特点，能够将浅层和深层特征进行合并，进一步提高图像分割的准确性。 其次，U-Net结构还可以进行端到端的训练，避免了手工特征提取的繁琐过程。在差分模型中，U-Net结构可以和差分算法相结合，实现对图像的全局和局部信息的有效传播和融合。通过不断迭代更新，可以得到更准确的图像分割结果。 最后，U-Net结构还具有可扩展性和灵活性的特点。它可以使用不同的优化器、损失函数和正则化方法进行训练和调节，以适应不同的应用场景。此外，还可以通过增加网络深度和宽度等方式进一步提升网络性能。 综上所述，U-Net结构在差分模型中的应用得到了广泛的认可和应用。在今后的研究中，我们有信心通过不断探索和创新，进一步提高U-Net结构在图像分割和差分模型中的性能和实用性。
评论 36
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

打赏作者

沉迷单车的追风少年

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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