Cross-reality location privacy protection in 6G-enabled vehicular metaverses: an LLM-enhanced hybrid generative diffusion model-based approach
School of Automation, Guangdong University of Technology(自动化学院,广东技术大学);School of Computer Science and Engineering, Nanyang Technological University(计算机科学与工程学院,南洋理工大学);Department of Electrical and Computer Engineering, University of Manitoba(电气与计算机工程系,曼尼托巴大学);Department of Electrical and Computer Engineering, Sungkyunkwan University(电气与计算机工程系,成均馆大学)
本文提出了一种基于LLM增强混合生成扩散模型的方法,用于6G赋能车联网元宇宙中的跨现实位置隐私保护,通过混合动作优化平衡隐私保护、延迟降低和服务质量维护。
2026-07-27 cs.CR cs.HC cs.LG
A Noise is Worth Diffusion Guidance
Korea University(高丽大学);KAIST(韩国科学技术院);Sookmyung Women’s University(淑明女子大学);Hugging Face
针对扩散模型需引导生成可靠图像的问题,提出NoiseRefine方法,通过优化初始噪声为无引导噪声,利用小幅度低频分量增强去噪,无需引导即可提升推理效率和图像质量,仅需50K数据即可实现高效学习。
2024-12-05 cs.AI cs.CV cs.LG
Connective Viewpoints of Signal-to-Noise Diffusion Models
VinAI Research(VinAI研究院);Monash University(莫纳什大学)
本文从信噪比与信息理论关联的视角系统研究信噪比扩散模型中的噪声调度器,并提出广义反向方程以提升推理性能。
2024-08-08 cs.AI cs.CV cs.LG
Spectrally-Guided Diffusion Noise Schedules
Google Research(谷歌研究)
本文提出基于图像光谱特性设计实例特定噪声调度的方法,通过理论界限优化噪声级别,提升单阶段像素扩散模型生成质量,尤其在低步数情况下表现更佳。
2026-05-09 cs.CV cs.LG
Noise is All You Need: Solving Linear Inverse Problems by Noise Combination Sampling with Diffusion Models
Waseda University(早稻田大学)
针对预训练扩散模型求解零样本线性逆问题时观测信息整合的固有困境,提出噪声组合采样方法,从噪声子空间合成最优噪声近似测量得分,无需逐步调参,在生成步数少的场景下以低开销提升性能、鲁棒性与稳定性。
2025-10-24 cs.AI cs.CV cs.LG
Edge-preserving noise for diffusion models
Max Planck Institute for Informatics(马克斯·普朗克信息研究所);Advanced Micro Devices(先进微器件)
本文提出一种边缘保留的扩散过程,通过混合噪声方案在边缘感知调度器中平滑过渡,提升结构细节捕捉能力,同时保持全局性能,并在图像生成和结构引导任务中取得改进。
2026-04-16 cs.AI cs.CV cs.GR
Cause-Effect Inference in Location-Scale Noise Models: Maximum Likelihood vs. Independence Testing
Simon Fraser University(西蒙弗雷泽大学)
本文研究位置-尺度噪声模型中的因果方向推断,发现最大似然方法在噪声分布误设时准确率急剧下降,并提出基于残差独立性检验的模型选择方法具有更强鲁棒性。
2023-10-26 cs.LG stat.ML
Cloud Diffusion Part 1: Theory and Motivation
The Spin Group Research Institute(Spin Group研究 institute)
本文提出用尺度不变噪声替代白噪声构建云扩散模型,以加速推理、改善高频细节并增强可控性,后续将实验验证。
2025-07-07 cs.AI cs.CV cs.LG
Noise scheduling and linear dynamics in diffusion models on Lie groups
Institute for Theoretical Physics, ETH Zurich, 8093 Zurich, Switzerland(理论物理研究所,苏黎世联邦理工学院,瑞士苏黎世,8093)
本文研究了在李群上扩散过程中噪声调度的作用,特别关注其在格点规范理论中的应用。研究发现特定的噪声调度可使Wilson作用量的期望值随扩散时间线性衰减,与欧几里得扩散模型相比,这种行为在李群设置中自然产生,而后者需要显式设计漂移项。
2026-05-17 cs.LG hep-lat
Non Gaussian Denoising Diffusion Models
Tel-Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究院);École Normale Supérieure Paris-Saclay(巴黎-萨克雷高等师范学院)
生成扩散过程是一种新兴的有效的图像和语音生成工具。在现有的方法中,扩散过程的下划线噪声分布是高斯噪声。然而,具有更多自由度的拟合分布可以帮助这种生成模型的性能。在这项工作中,我们调查其他类型的噪声分布的扩散过程。具体来说,我们表明,从伽马分布的噪声提供了改进的结果,图像和语音生成。此外,我们表明,在扩散过程中使用高斯噪声变量的混合物,提高了基于单一分布的扩散过程的性能。我们的方法保留了在训练扩散过程中有效采样状态的能力,同时使用Gamma噪声和噪声的混合。
2021-06-14 cs.CV cs.LG cs.SD
Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise
University of Maryland(马里兰大学);New York University(纽约大学)
标准扩散模型涉及图像变换--添加高斯噪声--和反转这种退化的图像复原算子。我们观察到,生成行为的扩散模型是不是强烈依赖于图像退化的选择,事实上,整个家庭的生成模型可以通过改变这种选择。即使在使用完全确定性降级(例如,模糊、掩蔽等),作为扩散模型基础的训练和测试时更新规则可以容易地推广以创建生成模型。这些完全确定性模型的成功,质疑社会的理解扩散模型,它依赖于噪声的梯度朗之万动力学或变分推理,并铺平了道路广义扩散模型,反转任意过程。我们的代码可在https://github.com/arpitbansal297/Cold-Diffusion-Models上获得
2022-08-19 cs.CV cs.LG
Noise-aware Speech Enhancement using Diffusion Probabilistic Model
Nanyang Technological University(南洋理工大学);University of Aberdeen(阿伯丁大学);University of Science and Technology of China(中国科学技术大学)
提出噪声感知语音增强方法NASE,通过设计噪声分类模型提取噪声特定信息作为条件器,并结合多任务学习方案联合优化,有效指导扩散模型的逆向去噪过程,显著提升多种主流扩散SE模型在未见噪声上的表现。
2024-06-04 cs.LG cs.SD eess.AS
Noise, Denoise, Correct: MCMC Posterior Sampling with Diffusion Priors in Three Steps
PhysicsX
针对非线性不可微逆问题,提出扩散华尔兹MCMC方法,用SDEdit加噪去噪作提议并经MH校正实现精确后验采样,在Navier-Stokes任务上优于基线。
2026-10-08 cs.LG
Noise in Diffusion Models Is a Learnable Input
School of Mathematics, Harbin Institute of Technology(哈尔滨工业大学数学学院);Software College, Northeastern University(东北大学软件学院)
该研究发现扩散模型的伪随机流是可学习输入,会影响生成质量,相关指标与生成退化相关,伪随机源兼具分布选择与结构化输入属性。
2026-09-09 cs.LG stat.ML
Noise Estimation for Generative Diffusion Models
Tel-Aviv University(特拉维夫大学);Facebook AI Research(Facebook人工智能研究院)
生成扩散模型已经成为语音和图像生成中的主要模型。然而,为了用少量的去噪步骤来良好地执行,需要对噪声参数集进行昂贵的调谐。在这项工作中,我们提出了一个简单而通用的学习方案,可以逐步调整这些噪声参数,对于任何给定的步骤数,而以前的工作需要分别为每个数字重新调整。此外,在不修改扩散模型的权重的情况下,我们能够显著地改善合成结果,对于少量的步骤。我们的方法来在一个可以忽略不计的计算成本。
2021-09-12 cs.CV cs.LG
Existence-Field Diffusion Model for Spatial Point Processes with Variable Cardinality
University of California, Riverside(加州大学河滨分校);New York University(纽约大学);Zhongguancun Academy(中关村学院)
该研究针对可变基数空间点过程生成建模难题,提出存在场扩散模型(EFDM),通过关联存在变量实现空间位置与基数的联合建模,在可变基数数据集上提升了建模能力。
2026-09-29 cs.LG stat.ML
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
Noise as a Probe: Membership Inference Attacks on Diffusion Models Leveraging Initial Noise
Southeast University(东南大学);The University of Queensland(昆士兰大学);Nanjing University of Posts and Telecommunications(南京邮电大学)
本文提出利用扩散模型初始噪声中的残余语义信息进行成员推断攻击,揭示了微调模型在隐私保护方面的脆弱性。
2026-08-14 cs.CR cs.LG
Blue noise for diffusion models
MPI Informatics(MPI信息学研究所);VIA Center(VIA中心);Google DeepMind(谷歌DeepMind);Google Research(Google研究院);University of Cambridge(剑桥大学)
本文提出在确定性扩散模型中引入蓝噪声及相关噪声掩码,考虑图像内和图像间的噪声相关性,以改善训练梯度流并提升生成质量,在多个数据集上以FID指标验证了优于仅用高斯白噪声的方法。
2024-05-02 cs.CV cs.GR cs.LG
Guided Diffusion Model for Adversarial Purification from Random Noise
Yuanpei College(元培学院);Peking University(北京大学)
在本文中,我们提出了一种新的引导扩散净化方法,以提供一个强大的防御对抗攻击。在CIFAR-10数据集上,我们的模型在PGD-L_inf攻击(eps = 8/255)下达到了89.62%的鲁棒准确率。我们首先探讨无指导的扩散模型和随机平滑之间的基本相关性,使我们能够将模型应用于认证的鲁棒性。实验结果表明,当认证的L2半径r大于0.5时,我们的模型优于随机平滑5%。
2022-06-22 cs.CR cs.LG
On Conditioning the Input Noise for Controlled Image Generation with Diffusion Models
IIT Hyderabad(印度理工学院海得拉巴分校);Adobe(奥多比);MIT(麻省理工学院)
条件图像生成为图像编辑、生成库存照片和3D对象生成方面的几个突破铺平了道路。随着基于扩散模型的新的最先进的方法的兴起,这仍然是一个重要的感兴趣的领域。然而,扩散模型对生成的图像提供的控制非常少,这导致了后续的工作探索技术,如分类指导,提供了一种权衡多样性与保真度的方法。在这项工作中,我们探索技术条件扩散模型精心制作的输入噪声文物。这允许生成以语义属性为条件的图像。这与现有的方法不同,现有的方法输入高斯噪声,并进一步在扩散模型的推理步骤中引入调节。我们的实验在几个例子和条件设置显示了我们的方法的潜力。
2022-05-08 cs.CV cs.LG
How I Warped Your Noise: a Temporally-Correlated Noise Prior for Diffusion Models
ETH Zürich(苏黎世联邦理工学院)
针对扩散模型中噪声采样不保留视频帧间相关性导致伪影的问题,提出积分噪声表示及定制传输方法以保持时间相关性,提升视频编辑与生成质量。
2025-04-03 cs.CV cs.LG
Diffusion Models With Learned Adaptive Noise
Cornell Tech(康奈尔理工学院);Cornell University(康奈尔大学)
本文提出MULAN,一种学习多元自适应噪声调度的扩散模型,通过变分推断获得更紧的ELBO,在CIFAR-10和ImageNet上达到最先进密度估计性能,并减少50%训练步数。
2024-11-10 cs.CV cs.LG
Listening to the Noise: Blind Denoising with Gibbs Diffusion
Ecole Polytechnique, Institut Polytechnique de Paris(巴黎综合理工学院,巴黎综合理工学院);Flatiron Institute(弗拉蒂伦研究所)
提出吉布斯扩散(GDiff)方法,通过交替条件扩散采样与蒙特卡洛推断,实现未知噪声参数下的盲去噪,并应用于自然图像与宇宙微波背景数据分析。
2024-06-25 astro-ph.CO cs.CV cs.LG
Human Mobility Modeling During the COVID-19 Pandemic via Deep Graph Diffusion Infomax
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学);Tencent AI Lab(腾讯AI实验室)
非药物干预(NPI),如社交聚会限制,已显示出通过减少人员接触来减缓COVID-19传播的有效性。为了支持政策制定者,多项研究首先通过宏观指标(例如,平均每日行车距离),然后研究非盈利机构的成效。在这项工作中,我们专注于移动建模,并从微观角度预测COVID-19病例将访问的位置。由于非营利组织通常会造成经济和社会损失,因此这种微观角度的预测有利于政府在设计和评估非营利组织时。然而,在现实世界的情况下,严格的隐私数据保护规定导致严重的数据稀疏问题(即,有限的情况和位置信息)。为了解决这些挑战,我们制定的微观视角的流动性建模到计算扩散和位置之间的相关性得分,有条件的几何图形。我们提出了一个名为Deep Graph Diffusion Infomax(DGDI)的模型,该模型联合建模了包括几何图、扩散集和位置集在内的变量。为了便于COVID-19预测的研究,我们提出了两个包含COVID-19病例的几何图和位置历史的基准。在这两个基准上的大量实验表明,DGDI显著优于其他竞争方法。
2022-12-12 cs.LG
FirstDiff: One-Step Diffusion-Based Anomaly Detection for Multivariate Time Series via Initial Noise Prediction
FirstDiff是一种基于初始噪声预测的单步扩散异常检测框架,采用Diffusion Transformer作为骨干,仅需一次去噪网络评估即可在五个基准数据集上实现最优多变量时间序列异常检测性能。
2026-08-18 cs.AI cs.LG stat.ML
Adversarial Domain Adaptation for Cross-user Activity Recognition Using Diffusion-based Noise-centred Learning
The University of Auckland(奥克兰大学)
本文提出Diff-Noise-Adv-DA框架,利用扩散模型中的固有噪声与对抗学习实现跨用户活动识别的域自适应,实验表明其性能优于传统域自适应方法。
2024-08-31 cs.AI cs.HC cs.LG
RATE: Overcoming Noise and Sparsity of Textual Features in Real-Time Location Estimation
Peking University(北京大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出RATE算法,通过主题建模刻画地理与词汇变化并结合Twitter streaming API提取的额外特征,克服推文文本的噪声与稀疏性问题,在区域分类精度和经纬度回归误差上均优于基准方法。
2021-11-12 cs.CL cs.LG
Denoising Diffusion Gamma Models
Tel-Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究);École Normale Supérieure Paris-Saclay(巴黎-萨克兰高等师范学院)
生成扩散过程是一种新兴的有效的图像和语音生成工具。在现有的方法中,扩散过程的潜在噪声分布是高斯噪声。然而,具有更多自由度的拟合分布可以提高这种生成模型的性能。在这项工作中,我们调查其他类型的噪声分布的扩散过程。具体来说,我们介绍了去噪扩散伽玛模型(DDGM),并表明,伽玛分布的噪声提供了改进的结果,图像和语音生成。我们的方法保留了在训练扩散过程中有效采样状态的能力,同时使用Gamma噪声。
2021-10-10 cs.AI cs.CV cs.GR
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