#今日论文推荐# 扩散模型家族再添一员，最新 Cold Diffusion 不再依赖高斯噪声

#今日论文推荐# 扩散模型家族再添一员，最新 Cold Diffusion 不再依赖高斯噪声

目前业界出现的扩散模型变体层出不穷，但它们都有一个不变的核心：都是围绕随机噪声去除这个概念建立的。
扩散模型的本质，以及目前我们对扩散模型的理解，都与高斯噪声在训练和生成过程中所起的作用高度相关。我们可以将「扩散」理解为使用 Langevin 动力学围绕图像密度函数的随机移动，扩散的每一步都需要高斯噪声。扩散始于「高温」状态（即噪音很大的状态），然后逐渐降温到几乎没有噪音的「冷」状态。
而在这篇叫做“Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise”的最新论文中，作者提出了一个疑问：制作扩散模型的变体，是不是非得使用高斯噪声不可？

通过多次尝试，该研究团队得出了答案：并不一定需要。
在这篇论文中，作者不再将扩散模型局限于「依赖高斯噪声而建立」，而是提出了围绕模糊（blurring）、下采样（downsampling）等任意图像变换方式建立的广义扩散模型。由于不再有原先的「高温」状态，这种全新广义扩散模型也就被称作为 Cold Diffusion。
过去标准的扩散模型有两步工作流程：首先，用图像退化算子（image degradation operator）使得图像受到高斯噪声的污染，其次用一个训练好的恢复算子（restoration operator）对图像进行去噪，逆转退化，从而得到一张新图像。

论文题目：Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise
详细解读：https://www.aminer.cn/research_report/630776af7cb68b460f0bc3a6https://www.aminer.cn/research_report/630776af7cb68b460f0bc3a6
AMiner链接：https://www.aminer.cn/?f=cs