Denoising Diffusion Probabilistic Models
UC Berkeley(加州大学伯克利分校)
我们提出了高品质的图像合成结果,使用扩散概率模型,一类潜变量模型的启发,从非平衡态热力学的考虑。我们最好的结果是通过训练加权变分界,根据扩散概率模型和去噪得分匹配与朗之万动力学之间的一种新的连接设计的,我们的模型自然承认一个渐进的有损解压缩方案,可以解释为一个泛化的自回归解码。在无条件CIFAR10数据集上,我们获得了9.46的Inception评分和3.17的最新FID评分。在256x256 LSUN上,我们获得了与ProgressiveGAN相似的样本质量。我们的实现可以在https://github.com/hojonathanho/diffusion上获得
2020-12-16 cs.LG stat.ML
Generalised Diffusion Probabilistic Scale-Spaces
Saarland University(萨尔大学)
本文提出扩散概率模型的广义尺度空间理论,揭示其与漂移-扩散及经典扩散、渗透滤波器的概念和实证联系,弥补理论背景研究不足。
2024-06-06 cs.CV cs.LG eess.IV
Truncated Diffusion Probabilistic Models and Diffusion-based Adversarial Auto-Encoders
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Microsoft Azure AI(微软Azure人工智能)
针对扩散模型步骤多、成本高的问题,提出截断扩散概率模型,通过学习隐含噪声分布并减少逆向步骤来加速生成,其本质是由扩散过程和可学习隐式先验赋能的对抗自编码器,在显著减少步骤下持续提升生成性能。
2023-09-07 cs.LG stat.ML
CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation
Stanford University(斯坦福大学);Mitsubishi UFJ Trust Investment Technology Institute(三菱日联信托投资技术研究所);Japan Digital Design(日本数字设计公司)
时间序列中缺失值的插补在医疗保健和金融领域有许多应用。虽然自回归模型是时间序列插补的自然候选者,但基于分数的扩散模型最近在许多任务(例如图像生成和音频合成)中优于包括自回归模型在内的现有对应模型,并且将有希望用于时间序列插补。在本文中,我们提出了基于条件分数的扩散模型插补(CSDI),一种新的时间序列插补方法,利用基于观测数据的条件分数的扩散模型。与现有的基于分数的方法不同,条件扩散模型被明确地训练用于插补,并且可以利用观察值之间的相关性。在医疗保健和环境数据上,CSDI比现有的流行性能指标的概率估算方法提高了40-65%。此外,与最先进的确定性插补方法相比,CSDI的确定性插补将误差降低了5-20%。此外,CSDI还可以应用于时间序列插值和概率预测,与现有的基线相比具有竞争力。该代码可在https://github.com/ermongroup/CSDI上获得。
2021-10-27 cs.LG stat.ML
SyncSDE: A Probabilistic Framework for Diffusion Synchronization
ECE, Seoul National University(电子工程系,首尔国立大学);Republic of Korea Air Force(韩国空军)
本文提出概率框架SyncSDE,通过建模多扩散轨迹间相关性并按任务自适应选择最优相关模型,解决了现有启发式同步方法缺乏任务特异性且效果次优的问题。
2025-06-03 cs.CV cs.GR cs.LG
A Probabilistic Formulation of Offset Noise in Diffusion Models
本文提出一种新的扩散模型,通过概率框架自然引入额外噪声,解决极端亮度值生成问题,实验表明在高维场景中性能更优。
2026-04-09 cs.LG stat.ML
SegDiff: Image Segmentation with Diffusion Probabilistic Models
Tel-Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究院)
扩散概率方法用于最先进的图像生成。在这项工作中,我们提出了一种方法来扩展这样的模型进行图像分割。该方法是端到端学习的,而不依赖于预先训练的骨干。通过对两个编码器的输出求和来合并输入图像和分割图的当前估计中的信息。然后使用附加的编码层和解码器来使用扩散模型迭代地细化分割图。由于扩散模型是概率性的,因此它被应用多次,并且结果被合并到最终分割图中。新方法在Cityscapes验证集、Vaihingen建筑分割基准和MoNuSeg数据集上产生了最先进的结果。
2022-09-07 cs.AI cs.CV cs.LG
Diffusion models for probabilistic programming
Swiss Data Science Center(瑞士数据科学中心);ETH Zurich(苏黎世联邦理工学院)
本文提出DMVI方法,利用扩散模型作为变分近似实现概率编程语言中的自动化近似推断,在保持相近计算成本和减少手动调优的同时,后验推断准确度优于现有方法。
2023-11-21 cs.LG stat.ML
Bayesian Deep Learning and a Probabilistic Perspective of Generalization
New York University(纽约大学)
贝叶斯方法的关键区别属性是边缘化,而不是使用单一的权重设置。贝叶斯边缘化可以特别提高现代深度神经网络的准确性和校准,这些网络通常被数据低估,并且可以代表许多引人注目但不同的解决方案。我们发现,深合奏提供了一个有效的机制近似贝叶斯边缘化,并提出了一个相关的方法,进一步提高了预测分布的边缘化盆地内的吸引力,没有显着的开销。我们还研究了先验函数隐含的模糊分布在神经网络权重,解释了这样的模型的泛化性能从概率的角度来看。从这个角度来看,我们解释了神经网络泛化的神秘和独特的结果,例如用随机标签拟合图像的能力,并表明这些结果可以用高斯过程再现。我们还表明,贝叶斯模型的平均简化了双下降,从而在单调的性能改善,增加了灵活性。最后,我们提供了一个贝叶斯的角度来看,回火校准预测分布。
2022-03-30 cs.LG stat.ML
Denoising Diffusion Probabilistic Models as a Defense against Adversarial Attacks
Harvard University(哈佛大学)
神经网络对输入中的小扰动非常敏感,这使得它们容易受到对抗攻击。该项目评估了去噪扩散概率模型(DDPM)作为一种净化技术来抵御对抗攻击的性能。它的工作原理是在通过扩散模型的逆过程去除噪声之前,向对抗性示例添加噪声。我们评估的方法上的PatchCamelyon数据集的淋巴结切片的组织病理学扫描,并找到了高达88%的原始模型的准确性,构成了相当大的改进香草模型和我们的基线的鲁棒准确性的提高。项目代码位于https://github.com/ankile/Adversarial-Diffusion。
2023-01-17 cs.CR cs.CV cs.LG
Improved Denoising Diffusion Probabilistic Models
OpenAI
去噪扩散概率模型(DDPM)是一类最近被证明可以产生优秀样本的生成模型。我们表明,通过一些简单的修改,DDPM也可以实现有竞争力的对数似然,同时保持高样本质量。此外,我们发现,反向扩散过程的学习方差允许采样的数量级较少的前向传递与样本质量的差异可以忽略不计,这是很重要的实际部署这些模型。我们还使用精确度和召回率来比较DDPM和GANs覆盖目标分布的程度。最后,我们证明了这些模型的样本质量和可能性随着模型容量和训练计算而平滑地扩展,使它们易于扩展。我们在https://github.com/openai/improved-diffusion上发布代码
2021-02-18 cs.AI cs.LG stat.ML
Treeffuser: Probabilistic Predictions via Conditional Diffusions with Gradient-Boosted Trees
Columbia University(哥伦比亚大学);Fero Labs(费罗实验室)
Treeffuser提出一种结合条件扩散模型与梯度提升树的表格数据概率预测方法,实现非参数、易训练且校准良好的预测分布,在合成与真实数据上优于现有方法,并成功应用于Walmart库存分配。
2024-10-22 cs.LG stat.ML
PRISM: Probabilistic and Robust Inverse Solver with Measurement-Conditioned Diffusion Prior for Blind Inverse Problems
Johns Hopkins University(约翰霍普金斯大学);Tsinghua University(清华大学)
本文提出PRISM,一种结合测量条件扩散先验与后验采样的概率鲁棒逆求解器,用于盲逆问题,并在盲图像去模糊中同时提升图像和模糊核恢复性能。
2025-09-19 cs.CV cs.LG eess.IV
Probabilistic QoS Metric Forecasting in Delay-Tolerant Networks Using Conditional Diffusion Models on Latent Dynamics
School of Computer Science Nanjing University of Posts(南京邮电大学计算机科学学院)
本文提出利用条件扩散模型结合潜在时间动态,对延迟容忍网络中的QoS指标进行概率预测,以量化不确定性并优于传统方法。
2025-10-15 cs.LG stat.ML
DiffECG: A Versatile Probabilistic Diffusion Model for ECG Signals Synthesis
University of Sfax(斯法克斯大学);ENIS(斯法克斯工程学院);Digital Research Center of Sfax(斯法克斯数字研究中心)
本文提出DiffECG,一种基于去噪扩散概率模型的通用心电信号合成方法,支持心跳生成、部分插补和完整预测,性能优于现有生成模型并能增强分类器效果。
2024-05-03 cs.CV cs.LG
Memory Efficient Diffusion Probabilistic Models via Patch-based Generation
Waseda University(早稻田大学);The University of Tokyo(东京大学);Waseda Research Institute for Science and Engineering(早稻田理工学研究院)
本文针对扩散概率模型内存消耗过高的问题,提出基于分块生成的方法,通过位置条件化和全局内容条件化保证分块位置正确与内容连贯,在CelebA和LSUN bedroom上以2×2分块将最大内存消耗降低一半且保持图像质量。
2023-04-14 cs.CV cs.LG
UNIT-DDPM: UNpaired Image Translation with Denoising Diffusion Probabilistic Models
Durham University(杜伦大学)
我们提出了一种新的不成对的图像到图像的翻译方法,使用去噪扩散概率模型,而不需要对抗训练。我们的方法,不成对的图像翻译与去噪扩散概率模型(UNIT-DDPM),训练生成模型来推断联合分布的图像在两个域作为马尔可夫链通过最小化的去噪得分匹配目标条件的其他域。特别是,我们同时更新两个域的翻译模型,我们生成的目标域图像的去噪马尔可夫链蒙特卡罗方法,条件是输入源域图像,基于朗之万动力学。我们的方法为图像到图像的翻译提供了稳定的模型训练,并生成了高质量的图像输出。这使得最先进的Fréchet Inception Distance(FID)在几个公共数据集上的性能,包括彩色和多光谱图像,显着优于当代对抗性图像到图像转换方法。
2021-04-12 cs.CV cs.LG eess.IV
RDDMPI: Residual Denoising Diffusion Model for Probabilistic Multivariate Time Series Imputation
University of Miami(迈阿密大学)
针对多元时间序列插补中扩散模型直接建模原始数据过于复杂的问题,提出RDDMPI残差扩散框架,将插补分解为基线预测与残差扩散,提升重建精度与不确定性量化。
2026-09-11 cs.LG stat.ML
Zero-Shot Uncertainty Quantification using Diffusion Probabilistic Models
Carnegie Mellon University(卡内基梅隆大学)
本文研究扩散回归模型的集成预测能否实现零样本不确定性量化,通过一维和二维实验表明集成可稳定提升精度,并揭示预测误差与方差的统计相关性。
2024-08-08 cs.LG stat.ML
Grad-TTS: A Diffusion Probabilistic Model for Text-to-Speech
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Higher School of Economics(高等经济学院)
最近,去噪扩散概率模型和生成分数匹配在模拟复杂的数据分布方面显示出很高的潜力,而随机微积分为这些技术提供了一个统一的观点,允许灵活的推理方案。在本文中,我们介绍了梯度TTS,一种新的文本到语音的模型与分数为基础的解码器产生梅尔频谱逐渐变换噪声预测编码器和对齐的文本输入通过单调对齐搜索。随机微分方程的框架,帮助我们推广传统的扩散概率模型的情况下,重建数据的噪声与不同的参数,并允许通过显式控制声音质量和推理速度之间的权衡,使这种重建灵活。主观的人类评价表明,梯度TTS是最先进的文本到语音的方法在平均意见得分方面的竞争力。我们将很快公开代码。
2021-08-05 cs.CL cs.LG stat.ML
RGB-D-Fusion: Image Conditioned Depth Diffusion of Humanoid Subjects
UNED - Universidad Nacional de Educación a Distancia(西班牙国立远程教育大学);Volograms ltd(Volograms有限公司)
本文提出RGB-D-Fusion,通过两级条件去噪扩散概率模型从低分辨率RGB图像生成高分辨率深度图,并引入深度噪声增强提升超分辨率鲁棒性。
2023-07-29 cs.CV cs.LG
Denoising Diffusion Probabilistic Models for Styled Walking Synthesis
Durham University(杜伦大学)
对于许多图形应用程序来说,为数字人生成逼真的运动是耗时的。近年来,数据驱动的运动合成方法通过深度生成模型取得了坚实的进展。这些结果提供了高质量的运动,但通常在运动风格的多样性受到影响。我们首次提出了一个框架,使用去噪扩散概率模型(DDPM)来合成风格化的人体运动,将两个任务集成到一个管道中,与传统的运动合成方法相比,增加了风格的多样性。实验结果表明,我们的系统可以生成高质量和多样化的步行运动。
2022-09-29 cs.AI cs.CV cs.GR
Video Probabilistic Diffusion Models in Projected Latent Space
KAIST(韩国科学技术院);Google Research(谷歌研究院)
尽管在深度生成模型方面取得了显着进展,但由于其高维性和复杂的时间动态以及大的空间变化,合成高分辨率和时间相干的视频仍然是一个挑战。最近的工作扩散模型已经显示出他们的潜力,以解决这一挑战,但他们遭受严重的计算和内存效率低下,限制了可扩展性。为了解决这个问题,我们提出了一种新的生成模型的视频,创造投影潜在视频扩散模型(PVDM),概率扩散模型,学习视频分布在一个低维的潜在空间,从而可以有效地训练与高分辨率的视频在有限的资源。具体来说,PVDM由两个组件组成:(a)一个自动编码器,它将给定的视频投影为2D形状的潜在向量,这些潜在向量对视频像素的复杂立方结构进行因式分解;以及(b)一个扩散模型架构,专门用于我们新的因式分解潜在空间和训练/采样过程,以便用单个模型合成任意长度的视频。在流行的视频生成数据集上的实验证明了PVDM与以前的视频合成方法相比的优越性;例如,PVDM在UCF-101长视频(128帧)生成基准上获得639.7的FVD分数,这提高了现有技术的1773.4。
2023-03-30 cs.CV cs.LG
Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion
Linköping University(林雪平大学);SMHI(瑞典气象和水文研究所)
本文提出Diffusion-LAM,一种以边界数据为条件的概率有限区域天气模型,并在MEPS数据集上验证了其提供准确概率预报的潜力。
2025-04-10 cs.LG physics.ao-ph
Medical Diffusion: Denoising Diffusion Probabilistic Models for 3D Medical Image Generation
University Hospital Aachen(亚琛大学医院);RWTH Aachen University(亚琛工业大学);Ocumeda AG(奥库梅达股份公司);University Hospital Heidelberg(海德堡大学医院);University Hospital Würzburg(维尔茨堡大学医院);University of Mainz(美因茨大学);RWTH Aachen(亚琛工业大学)
计算机视觉的最新进展在图像生成中显示出有希望的结果。扩散概率模型特别是从文本输入中生成逼真的图像,如DALL-E 2,Imagen和Stable Diffusion所示。然而,它们在医学中的使用,其中图像数据通常包括三维体积,还没有被系统地评估。合成图像可能在隐私保护人工智能中发挥至关重要的作用,也可用于增强小型数据集。在这里,我们表明,扩散概率模型可以合成高质量的医学成像数据,我们显示的磁共振图像(MRI)和计算机断层扫描(CT)图像。我们通过与两位医学专家进行的读者研究提供了对其性能的定量测量,这些专家将合成图像的质量分为三类:逼真的图像外观,解剖正确性和切片之间的一致性。此外,我们证明了合成图像可以用于自我监督的预训练,并在数据稀缺时提高乳房分割模型的性能(骰子得分为0.91与0.95,没有与合成数据)。代码在GitHub上公开:https://github.com/FirasGit/medicaldiffusion。
2023-01-03 cs.CV cs.LG eess.IV
Generalised Scale-Space Properties for Probabilistic Diffusion Models
Saarland University(萨尔兰大学)
本文从尺度空间研究视角分析概率扩散模型,证明其在演化概率分布上满足广义尺度空间性质,并探讨漂移-扩散在深度学习与模型驱动解释中的异同及其与渗透滤波器的关系。
2023-09-18 cs.LG eess.IV
SpecGrad: Diffusion Probabilistic Model based Neural Vocoder with Adaptive Noise Spectral Shaping
Google Research(谷歌研究院);Tokyo University of Agriculture and Technology(东京农工大学)
通过对扩散噪声分布进行自适应处理,改进了基于去噪扩散概率模型(DDPM)的神经声码器。在这项研究中,我们提出了SpecGrad,适应扩散噪声,使其随时间变化的频谱包络变得接近的条件对数梅尔频谱图。通过时变滤波的这种适应改善了声音质量,特别是在高频段中。它在时频域中进行处理,以保持与传统的基于DDPM的神经声码器几乎相同的计算成本。实验结果表明,SpecGrad在分析合成和语音增强两种情况下都比传统的基于DDPM的神经声码器产生更高保真的语音波形。音频演示可在wavegrad.github.io/specgrad/上获得。
2022-08-04 cs.LG cs.SD eess.AS
Universal Diffusion-Based Probabilistic Downscaling
本文提出一种通用扩散降尺度框架,通过无需特定模型微调将确定性低分辨率天气预报转化为概率高分辨率预测,评估结果显示其在提升空间分辨率和不确定性表示方面具有显著优势。
2026-04-20 cs.LG
Variational Autoencoding Molecular Graphs with Denoising Diffusion Probabilistic Model
针对常规VAE潜变量后验分布假设简单限制表征性能的问题,提出结合DDPM的层级潜变量分子生成模型,在小数据集分子性质预测任务上实现更优性能与鲁棒性。
2023-08-22 cs.LG q-bio.BM stat.ML
On Fast Sampling of Diffusion Probabilistic Models
UC San Diego(加州大学圣地亚哥分校);NVIDIA(英伟达)
在这项工作中,我们提出了快速采样的扩散概率模型,一个统一的框架。Fastertip概括了以前的方法,并产生了新的算法,提高了样本质量。我们系统地研究了在此框架下的快速采样方法,在不同的领域,不同的数据集,并与不同数量的条件信息提供的生成。我们发现特定方法的性能取决于数据域(例如,图像或音频)、采样速度和采样质量之间的权衡以及条件信息的量。我们还为从业者提供了关于方法选择的见解和食谱。
2021-06-23 cs.LG
Denoising Diffusion Probabilistic Models for Generation of Realistic Fully-Annotated Microscopy Image Data Sets
RWTH Aachen University(亚琛工业大学)
本文提出利用去噪扩散概率模型,以粗略草图为引导无监督地生成全标注显微图像数据集,从而减少分割模型训练对手动标注的依赖,提升数据生成效率和可扩展性。
2023-08-08 cs.CV cs.LG eess.IV
Denoising Diffusion Probabilistic Models for Magnetic Resonance Fingerprinting
University of Bristol(布里斯托大学);GE HealthCare(通用电气医疗集团);University of Zurich(苏黎世大学)
首次提出用于磁共振指纹图像重建的条件扩散概率模型,在活体脑扫描数据上优于深度学习与压缩感知算法,并通过消融研究提升计算效率。
2024-12-18 cs.CV cs.LG eess.IV
Conditional Diffusion Probabilistic Model for Speech Enhancement
Carnegie Mellon University(卡内基梅隆大学);Reality Labs Research(现实实验室研究院);Academia Sinica(中央研究院)
语音增强是许多面向用户的音频应用的关键组成部分,然而当前系统仍然遭受失真和不自然的输出。虽然生成模型在语音合成中显示出了强大的潜力,但在语音增强方面仍然落后。这项工作利用扩散概率模型的最新进展,并提出了一种新的语音增强算法,将观察到的噪声语音信号的特性到扩散和逆过程。更具体地说,我们提出了一个广义的公式的扩散概率模型命名为条件扩散概率模型,在其逆过程中,可以适应非高斯真实噪声的估计语音信号。在我们的实验中,我们证明了所提出的方法与代表性的生成模型相比具有很强的性能,并研究了我们的模型对其他具有训练过程中看不到的噪声特征的数据集的泛化能力。
2022-02-10 cs.LG cs.SD eess.AS
Improved probabilistic regression using diffusion models
Ludwig-Maximilians-Universität München(慕尼黑莱布尼茨大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);University of Tromsø(特罗姆斯大学);DLR-German Aerospace Center(德国航空航天中心)
本文提出一种基于扩散模型的非参数概率回归框架,通过建模扩散噪声的完整分布来增强不确定性量化,在多种回归任务中优于现有基线。
2025-10-06 cs.LG
Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion
AMSS, Chinese Academy of Sciences(中国科学院自动化研究所);AMAP, Alibaba Group(阿里巴巴集团)
本研究提出FALDA概率时间序列预测框架,基于DMRR框架结合傅里叶分解与轻量去噪器DEMA,降低认知不确定性,在六个基准上长期预测表现优于现有方法,且比SOTA点预测方法性能最高提升9%。
2025-05-16 cs.LG
Single-View Height Estimation with Conditional Diffusion Probabilistic Models
本文提出条件 DDPM,通过学习光学图像与 DSM 的联合分布,从单张遥感图像生成高分辨率三维高度表面,并在 Vaihingen 数据集上验证效果。
2023-04-26 cs.CV cs.LG eess.IV
UDPM: Upsampling Diffusion Probabilistic Models
Tel Aviv University(特拉维夫大学)
本文提出UDPM,将下采样与噪声扰动纳入前向扩散、在反向过程中去噪并上采样,仅需三次网络评估即实现6.86 FID,并具备可解释、可插值的潜在空间。
2024-07-08 cs.CV cs.LG eess.IV
Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting
Zalando Research(扎兰多研究院)
在这项工作中,我们提出了\texttt{TimeGrad},一个自回归模型的多变量概率时间序列预测的样本从数据分布在每个时间步估计其梯度。为此,我们使用扩散概率模型,一类与分数匹配和基于能量的方法密切相关的潜变量模型。我们的模型通过优化数据可能性的变分界限来学习梯度,并在推理时使用Langevin采样通过马尔可夫链将白噪声转换为感兴趣的分布样本。我们的实验表明,所提出的自回归去噪扩散模型是新的国家的最先进的多元概率预测方法在现实世界的数据集与成千上万的相关维度。我们希望这种方法是一个有用的工具,为从业者在这一领域的未来研究奠定了基础。
2021-02-02 cs.AI cs.LG
Generating observation guided ensembles for data assimilation with denoising diffusion probabilistic model
Japan Atomic Energy Agency(日本原子能机构);The University of Tokyo(东京大学);University of Hyogo(兵库县立大学)
该研究利用去噪扩散概率模型基于含噪稀疏观测生成伪集合,并借助其方差提升仿真模型不完善时的数据同化性能。
2023-08-13 cs.LG physics.comp-ph
DiffFinger: Advancing Synthetic Fingerprint Generation through Denoising Diffusion Probabilistic Models
针对真实指纹数据采集的隐私与多样性难题,本文提出DiffFinger,利用DDPM生成高质量、多样且逼真的合成指纹,效果可媲美真实训练数据。
2024-03-15 cs.AI cs.CV cs.LG
Denoising diffusion probabilistic models for probabilistic energy forecasting
Uliege(列日大学);Réseau de Transport d’Électricité (RTE)(法国输电网络公司)
针对能源预测中生成高质量间歇性可再生能源时间序列样本的需求,首次将去噪扩散概率模型应用于能源预测,经2014年全球能源预测竞赛数据验证,效果与前沿生成模型相当。
2023-04-06 cs.AI cs.LG
GARDiff: Graph-Aligned Residual Diffusion for Probabilistic Multivariate Time-Series Forecasting
Shandong University(山东大学);Macquarie University(麦考瑞大学);China University of Petroleum (East China)(中国石油大学(华东));University of Technology Sydney(悉尼科技大学)
GARDiff提出图对齐残差扩散框架,通过不确定性感知结构细化和时间步感知边稀疏化,解决解耦扩散预测中确定性图与残差结构的错位问题,提升概率预测性能。
2026-09-30 cs.AI cs.LG
From Independent to Correlated Diffusion: Generalized Generative Modeling with Probabilistic Computers
Department of Electrical and Computer Engineering, University of California, Santa Barbara(加州大学圣塔芭芭拉分校电气与计算机工程系)
本文提出一种基于概率计算机的通用生成建模方法,通过引入马尔可夫链蒙特卡洛动态替代独立噪声注入,利用Ising耦合结构实现更符合目标系统的空间相关性建模。
2026-08-11 cs.ET cs.LG
A Theoretical Justification for Image Inpainting using Denoising Diffusion Probabilistic Models
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们提供了一个理论上的理由,样本恢复使用基于扩散的图像修复在线性模型设置。虽然大多数修复算法需要重新训练,每个新的面具,我们证明了基于扩散的修复推广以及看不见的面具,而无需重新训练。我们分析了最近提出的一种流行的基于扩散的修复算法,称为RePaint(Lugmayr等人,2022),并表明,它有一个偏差,由于错位,阻碍样品恢复,即使在两个国家的扩散过程。出于我们的分析,我们提出了一个修改后的RePaint算法,我们称之为RePaint $^+$,可证明恢复底层的真实样本,并享有线性收敛速度。它通过纠正反向过程的漂移和色散中存在的未对准误差来实现这一点。据我们所知,这是基于扩散的图像修复算法的第一个线性收敛结果。
2023-02-02 cs.AI cs.LG math.ST
RDPM: Solve Diffusion Probabilistic Models via Recurrent Token Prediction
Meituan(美团);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);UCAS(中国科学院大学)
本文提出循环扩散概率模型RDPM,通过循环令牌预测在离散值域上执行扩散过程,以少量推理步骤实现高质量生成,并统一连续信号与文本的优化策略,推动多模态生成统一模型发展。
2024-12-25 cs.AI cs.CV cs.LG
Contractive Diffusion Probabilistic Models
Columbia University(哥伦比亚大学)
针对扩散概率模型中分数匹配可能无法保证的问题,提出收缩扩散概率模型(CDPMs),利用后向采样收缩性质缩小分数匹配与离散化误差,通过简单变换利用预训练权重且无需重训练,稳步提升了基线模型性能。
2024-10-12 cs.LG
Improving Probabilistic Diffusion Models With Optimal Diagonal Covariance Matching
Imperial College London(伦敦帝国学院);University College London(伦敦大学学院);University of Manchester(曼彻斯特大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Tubingen(蒂宾根大学);IMPRS-IS(马克斯·普朗克智能系统研究所国际马克斯·普朗克研究学院)
针对扩散模型协方差预测近似误差大的问题,提出基于无偏目标最优协方差匹配(OCM)的对角协方差学习方法,直接回归最优解析对角协方差,有效提升常用扩散模型的采样效率、召回率与似然。
2025-02-19 cs.LG
Improving Denoising Diffusion Probabilistic Models via Exploiting Shared Representations
Rice University(莱斯大学)
本文提出 SR-DDPM,通过共享核心参数与任务特定层,利用少样本表示学习改进多任务图像生成,在标准数据集上以 FID 和 SSIM 指标超越无条件及条件 DDPM。
2023-11-27 cs.AI cs.CV cs.LG
DynG-Diff: A State-Aware Dynamic Guidance Diffusion Framework for Probabilistic Time Series Forecasting
Zhejiang Gongshang University(浙江工商大学);Sussex Artificial Intelligence Institute(萨塞克斯人工智能研究所);School of Information and Electronic Engineering(信息与电子工程学院);University of Auckland(奥克兰大学);School of Computer Science(计算机科学学院)
本文针对概率多元时间序列预测中现有扩散方法的信息异质性问题,提出DynG-Diff框架,通过两阶段训练、状态感知策略网络及动态权重设计,实现更优预测性能与鲁棒性。
2026-09-03 cs.LG
A Note on the Convergence of Denoising Diffusion Probabilistic Models
Université Laval(拉瓦尔大学);University College London(伦敦大学学院)
该研究针对扩散模型收敛性问题,基于Mbacke等人2023年的工作,推导了数据生成分布与扩散模型学习分布间Wasserstein距离的定量上界,无需对得分函数假设,适用于有界空间任意分布且无指数依赖,证明初等。
2024-09-15 cs.LG
Sifting through the Noise: A Survey of Diffusion Probabilistic Models and Their Applications to Biomolecules
Virginia Tech(弗吉尼亚理工大学)
本文综述了扩散概率模型的理论及其在生物分子结构与序列预测和设计中的应用,介绍了常见应用模式及在生成与预测任务中的显著成果,帮助研究人员全面理解其关键作用。
2024-05-31 cs.AI cs.LG q-bio.BM
HydroDiffusion: Diffusion-Based Probabilistic Streamflow Forecasting with a State Space Backbone
Lawrence Berkeley National Laboratory(伯克利劳伦斯国家实验室);University of Oklahoma(俄克拉荷马大学);Cornell University(康奈尔大学);International Computer Science Institute(国际计算机科学研究所)
HydroDiffusion是一种基于状态空间框架的扩散式概率径流预测模型,通过单次通过联合去噪多日轨迹,提升预测一致性与准确性,展现优于现有方法的预测能力。
2025-12-13 cs.LG physics.geo-ph
Non-stationary Diffusion For Probabilistic Time Series Forecasting
Central South University(中南大学)
本文提出非平稳扩散模型,通过改进噪声模型以适应时间变化的不确定性,提升时间序列预测性能。
2026-04-12 cs.AI cs.LG
SafeDiffuser: Safe Planning with Diffusion Probabilistic Models
Massachusetts Institute of Technology (MIT)(麻省理工学院(MIT))
SafeDiffuser通过将有限时间扩散不变性嵌入去噪扩散过程并结合控制屏障函数,使扩散概率模型满足安全规范,在保持泛化性能的同时实现可信、鲁棒的安全数据生成,并在迷宫路径、腿式机器人运动和三维操作等任务中验证了其优势。
2023-05-31 cs.LG cs.RO cs.SY