Conditional Diffusion with Less Explicit Guidance via Model Predictive Control
Genentech(基因泰克公司)
条件扩散需要多少明确的指导?我们考虑使用无条件扩散模型和有限显式指导(例如,噪声分类器或条件扩散模型),其被限制为少量的时间步长。我们探索了一种类似于模型预测控制(MPC)的近似制导方法,通过模拟无条件扩散前向和反向传播显式制导反馈。MPC近似的指南有很高的余弦相似性,真正的指南,即使在大的模拟距离。当显式指导限于五个时间步长时,添加MPC步骤可以提高生成质量。
2022-10-21 cs.LG
Conditional Synthesis of 3D Molecules with Time Correction Sampler
KAIST(韩国科学技术院);LG Electronics(LG电子)
针对条件分子生成中性质靶向与样本有效性的权衡问题,提出结合自适应在线引导与时间校正采样器的TACS方法,提升3D分子条件生成性能,为逆分子设计提供新路径。
2024-11-01 cs.AI cs.LG
GraphGUIDE: interpretable and controllable conditional graph generation with discrete Bernoulli diffusion
Genentech(基因泰克)
扩散模型在生成真实感对象方面具有最先进的性能,并已成功应用于图像、文本和视频。最近的工作表明,扩散也可以在图形上定义,包括药物样分子的图形表示。不幸的是,仍然很难以可解释和可控制的方式在图上执行条件生成。在这项工作中,我们提出了GraphGUIDE,一个新的框架,图形生成使用扩散模型,在图中的边缘翻转或设置在每个离散的时间步。我们在几个图形数据集上演示了GraphGUIDE,并表明它可以完全控制任意结构属性的条件生成,而无需依赖于预定义的标签。我们的图形扩散框架可以对图形的可解释条件生成产生很大的影响,包括以实验证据为依据的方式生成具有所需特性的药物样分子。
2023-02-07 cs.LG
ConDiSim: Conditional Diffusion Models for Simulation Based Inference
Science for Life Laboratory, Uppsala University(生命科学实验室,乌普萨拉大学);Uppsala University(乌普萨拉大学)
本文提出条件扩散模型ConDiSim,用于难解似然系统的基于模拟推断,通过去噪扩散近似后验,在十个基准和两个真实问题上验证了高效稳定的推断性能。
2025-10-16 cs.AI cs.LG stat.ML
Demystify Protein Generation with Hierarchical Conditional Diffusion Models
University of Tulsa(塔尔萨大学);Johns Hopkins University(约翰霍普金斯大学);Indiana University Bloomington(印第安纳大学布卢明顿分校);Auburn University(阿伯茨维尔大学)
本文提出了一种分层条件扩散模型,整合序列和结构信息,以高效生成功能导向的蛋白质,并引入新的评估指标评估生成质量。
2025-12-03 cs.LG
Conditional Image Generation with Score-Based Diffusion Models
University of Cambridge(剑桥大学);Deep Render
基于分数的扩散模型已经成为深度生成建模的最有前途的框架之一。在这项工作中,我们进行了系统的比较和理论分析的不同方法来学习条件概率分布与基于分数的扩散模型。特别是,我们证明的结果提供了一个最成功的估计的条件得分的理论依据。此外,我们引入了一个多速度扩散框架,这导致了一个新的估计的条件得分,表现与以前的国家的最先进的方法。我们的理论和实验研究结果是伴随着一个开源库MSDiff,它允许应用程序和多速度扩散模型的进一步研究。
2021-11-26 cs.CV cs.LG stat.ML
Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional Image Synthesis
Johns Hopkins University(约翰斯·霍普金斯大学);Mitsubishi Electric Research Laboratories (MERL)(三菱电机研究实验室(MERL))
本文提出 Steered Diffusion 框架,利用预训练逆模型构造损失并在推理时调节无条件扩散模型的采样轨迹,以零样本方式融合多条件并实现细粒度真实感图像生成。
2023-09-30 cs.AI cs.CV cs.LG
Learning Transition Kernels of Jump-Diffusion Processes with Conditional Diffusion Models
CNRS(法国国家科学研究中心);Universite Paris-Dauphine(巴黎第九大学);PSL(巴黎文理研究大学)
本文利用条件扩散模型学习跳跃扩散过程的转移核,从高频离散观测轨迹生成新样本路径,并给出理论误差界与数值验证。
2026-10-08 cs.LG stat.ML
CoDi: Conditional Diffusion Distillation for Higher-Fidelity and Faster Image Generation
Google Research(谷歌研究院);Johns Hopkins University(约翰斯·霍普金斯大学)
提出 CoDi 方法,通过适配预训练潜在扩散模型并结合 ControlNet 与条件一致性损失,在极少步数(1-4步)下实现多任务高质量条件图像生成,达到 SOTA。
2024-02-17 cs.AI cs.CV cs.LG
Don't drop your samples! Coherence-aware training benefits Conditional diffusion
École des Ponts(巴黎桥路学院);Univ Gustave Eiffel(古斯塔夫·埃菲尔大学);CNRS(法国国家科学研究中心);LIX(LIX实验室);École Polytechnique(巴黎综合理工学院);IP Paris(巴黎理工学院)
针对条件扩散模型中条件信息噪声导致需丢弃数据的问题,提出一致性感知扩散(CAD)方法,通过集成一致性分数实现从噪声标注学习,理论合理且实证有效,生成样本更优。
2025-02-18 cs.CV cs.LG
Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory
Peking University(北京大学);Yale University(耶鲁大学);Princeton University(普林斯顿大学)
本文提出了条件扩散模型的尖锐统计理论,给出了适应数据平滑性并匹配极小极大下界的样本复杂度界,并通过扩散泰勒近似技术分析条件得分函数,阐明了其在强化学习、逆问题和奖励条件生成等应用中的性能。
2024-03-18 cs.LG math.ST stat.ML
Conditional sampling within generative diffusion models
Linköping University(林雪平大学);Uppsala University(乌普萨拉大学)
本文综述生成式扩散模型中的条件采样计算方法,梳理利用联合分布或带显式似然的预训练边缘分布构建条件采样器的关键技术。
2025-02-19 cs.LG stat.ML
Guaranteed Conditional Diffusion: 3D Block-based Models for Scientific Data Compression
University of Florida(佛罗里达大学)
提出GCDTC有损科学数据压缩框架,融合3D条件、2D去噪U-Net、张量校正与误差保证,在气候和燃烧数据集上取得优于卷积自编码器且可比现有算法的效果。
2025-02-18 cs.LG
Universality of Gaussian-Mixture Reverse Kernels in Conditional Diffusion
Center for Mathematics and Interdisciplinary Sciences, Fudan University(复旦大学数学与交叉科学中心);Shanghai Institute for Mathematics and Interdisciplinary Sciences (SIMIS)(上海数学与交叉科学研究院(SIMIS));Northeastern University(东北大学);Infectious Diseases Division, icddr,b(icddr,b传染病部门);Rutgers University(罗格斯大学)
研究证明,具有ReLU网络对数的有限高斯混合反向核的条件扩散模型可近似任意正则目标分布,误差随扩散时间增加而减小。
2026-04-15 cs.LG stat.ML
A Study of Conditional Diffusion Models for Open-Loop Control under Dry Friction and Stiction
Federal University of Santa Catarina (UFSC)(圣卡塔琳娜联邦大学)
本文针对干摩擦与静摩擦下的质点系统开环控制,研究动作扩散方法,基于条件1D U-Net生成控制序列,实验显示其在低样本场景下可降低终端误差与停滞步骤,性能优于多种基准方法。
2026-09-03 cs.LG
PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation
Beihang University(北京航空航天大学);University of Central Florida(中佛罗里达大学)
时空数据采掘在空气质量监测、人群流动建模和气候预测等方面发挥着重要作用。然而,在现实世界的场景中,最初收集的时空数据通常是不完整的,由于传感器故障或传输丢失。时空插补的目的是根据观测值及其潜在的时空依赖性来填补缺失值。以往的主要模型都是自回归地估算缺失值,存在误差累积的问题。扩散概率模型作为一种新兴的生成模型,可以用来估算观测值条件下的缺失值,避免由不准确的历史估算来推断缺失值。然而,将扩散模型应用于时空插补时,条件信息的构造和利用是不可避免的挑战。为了解决上述问题,我们提出了一个条件扩散框架的时空插补增强先验建模,命名为PriSTI。我们提出的框架提供了一个条件特征提取模块首先提取粗糙但有效的时空依赖性作为全局上下文先验的条件信息。然后,噪声估计模块将随机噪声转换为现实值,其中时空注意力权重由条件特征计算,并且考虑地理关系。PriSTI在不同真实时空数据的各种缺失模式中优于现有的插补方法,并有效地处理高缺失率和传感器故障等场景。实现代码可在https://github.com/LMZZML/PriSTI上获得。
2023-02-20 cs.LG
Capturing Conditional Dependence via Auto-regressive Diffusion Models
Department of XXX, University of YYY, Location, Country(XXX系,YYY大学,地点,国家);School of ZZZ, Institute of WWW, Location, Country(ZZZ学院,WWW研究所,地点,国家)
研究普通扩散模型难以捕捉条件依赖结构的问题,提出自回归扩散模型,在理论最弱假设下证明其采样误差更小,并实证其在存在条件依赖时优于DDPM。
2025-04-30 cs.LG stat.ML
Graph Guided Diffusion: Unified Guidance for Conditional Graph Generation
King Juan Carlos University(胡安·卡洛斯国王大学);Rice University(莱斯大学)
提出GGDiff框架,将条件图生成视为随机控制问题,统一梯度、控制和零阶引导策略,实现预训练扩散模型在可微与不可微奖励下的零样本条件生成,在基序约束、公平性和链接预测任务中表现优异。
2025-05-26 cs.LG
Conditional diffusions for amortized neural posterior estimation
University of Texas at Austin(德克萨斯大学奥斯汀分校);McCombs School of Business, University of Texas at Austin(德克萨斯大学奥斯汀分校麦库姆斯商学院)
本文提出用条件扩散模型结合高容量摘要网络实现摊销神经后验估计,在多种基准问题上相比归一化流方法展现出更好的稳定性、准确性和训练效率。
2025-03-13 cs.AI cs.LG stat.AP
Exact Evaluation of the Accuracy of Diffusion Models for Inverse Problems with Gaussian Data Distributions
Université d’Orléans, Université de Tours, CNRS, IDP, UMR 7013(奥尔良大学、图尔大学、国家科学研究中心、IDP、UMR 7013);Institut universitaire de France (IUF)(法国国家科学院(IUF))
研究高斯数据分布反问题中扩散模型精度,通过刻画迭代高斯过程及计算瓦瑟斯坦距离分析差异,比较两种算法,引入更精确的条件高斯扩散模型新范式。
2026-07-28 cs.LG
Memorization and Malign Generalization in Conditional Diffusion Models with Random Features
Hanyang University(汉阳大学)
本研究针对带随机特征的条件扩散模型,在高维比例极限下推导损失渐近表达式,发现过参数化时存在“恶性泛化”现象,且信息更丰富的条件会使模型在更小宽度时记忆训练样本,相关结论经 U-Net 实验验证。
2026-11-10 cs.LG
Distillation of Discrete Diffusion by Exact Conditional Distribution Matching
Google(谷歌)
本文提出了一种基于条件分布匹配的蒸馏方法,用于加速离散扩散模型的推断过程,通过匹配教师和学生模型的条件分布来提高效率。
2025-12-15 cs.LG
FastVoiceGrad: One-step Diffusion-Based Voice Conversion with Adversarial Conditional Diffusion Distillation
NTT Corporation(NTT公司)
本文提出 FastVoiceGrad,通过对抗条件扩散蒸馏将多步扩散语音转换压缩为一步推理,在保持语音质量和说话人相似度的同时显著提升推理速度。
2024-09-03 cs.AI cs.LG cs.SD
Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers
The Ohio State University(俄亥俄州立大学);University of Kentucky(肯塔基大学)
本文首次为分数不匹配扩散采样器提供显式维度依赖的性能保证,揭示渐近偏差与累积不匹配成正比,并据此设计偏差最优零样本条件采样器,适用于线性条件模型及多种目标分布。
2025-03-26 cs.LG stat.ML
Bone-conduction Guided Multimodal Speech Enhancement with Conditional Diffusion Models
Signal Processing Group, University of Hamburg, Germany(汉堡大学信号处理组)
本文提出一种基于条件扩散模型的多模态语音增强框架,通过整合骨传导传感器与空气传导麦克风,有效提升极端噪声环境下的语音增强性能。
2026-01-18 cs.LG cs.SD eess.AS
The day-ahead scenario generation method for new energy based on an improved conditional generative diffusion model
Northeast Electric Power University(东北电力大学);Jilin Power Supply Company(吉林供电公司)
针对新能源场景生成深度学习方法可解释性不足的问题,提出基于改进条件生成扩散模型的日前场景生成方法,优化噪声表为余弦形式,经实际风光数据验证生成效果好、适应性强。
2025-03-06 cs.LG
Geometry-Free Conditional Diffusion Modeling for Solving the Inverse Electrocardiography Problem
Department of Industrial and Systems Engineering(工业与系统工程系);University of Miami(迈阿密大学)
本文提出了一种无几何条件的条件扩散模型,用于解决逆电生理图问题,通过数据驱动的方法提高心脏电生理成像的重建精度。
2026-01-26 cs.LG
What happens to diffusion model likelihood when your model is conditional?
The University of Sheffield(谢菲尔德大学)
本研究探讨了条件扩散模型(如TTI和TTS)的似然计算特性,发现其对条件输入(如文本)的敏感度低于预期,揭示了扩散模型似然在条件任务中的不一致性。
2024-09-26 cs.LG
Learning the conditional law: signatures and conditional GANs in filtering and prediction of diffusion processes
Maxwell Institute for Mathematical Sciences(麦克斯韦数学科学研究所)
我们考虑扩散过程的滤波和预测问题。信号和观测由相关维纳过程驱动的随机微分方程(SDEs)建模。在经典估计理论中,测量值随机偏微分方程(SPDE)推导出的过滤和预测措施。这些方程可能很难用数值求解。我们提供了一个近似算法,使用条件生成对抗网络(GANs)结合签名,粗糙路径理论的对象。一条足够平滑的路径的特征完全决定了该路径。因此,在某些情况下,基于签名的GANs已被证明可以有效地近似随机过程的规律。对于我们的算法,我们扩展了这种方法的样本从条件的法律,噪声,部分观察。我们的发电机构造使用神经微分方程(NDEs),依靠其通用逼近器的属性。我们显示适定性提供了一个严格的数学框架。数值结果表明了算法的有效性。
2022-09-15 cs.LG math.OC stat.ML
CCDM: Continuous Conditional Diffusion Models for Image Generation
School of Artificial Intelligence/School of Future Technology, Nanjing University of Information Science & Technology (NUIST)(人工智能学院/未来技术学院,南京信息工程大学);Perceptual and Generative AI Lab (PGAI Lab) at NUIST(南京信息工程大学感知与生成人工智能实验室);Zhejiang University(浙江大学);Department of Electrical and Computer Engineering, University of British Columbia(电气与计算机工程系,不列颠哥伦比亚大学)
本文提出首个专为连续条件生成建模设计的条件扩散模型CCDM,通过条件扩散过程、硬邻近去噪损失和定制标签嵌入等方法,在四个数据集上超越现有CCGM模型并建立新基准。
2025-08-18 cs.CV cs.LG
Graph Diffusion Transformers for Multi-Conditional Molecular Generation
University of Notre Dame(圣母大学)
本文提出Graph DiT,通过编码器学习多属性表示并结合图依赖噪声模型与Transformer去噪器,实现多条件分子生成,在九项指标上表现优越并验证了气体分离聚合物设计的实用性。
2024-10-03 cs.LG q-bio.BM
Geological and Well prior assisted full waveform inversion using conditional diffusion models
King Abdullah University of Science and Technology(卡布斯科学技术大学)
针对全波形反演因观测不足导致结果不准确的问题,提出一种结合条件扩散模型与无分类器引导的地质类别和测井信息先验辅助FWI方法,实现多模态先验匹配,显著提升了反演效果。
2025-07-01 cs.LG physics.geo-ph
Contrastive Conditional-Unconditional Alignment for Long-tailed Diffusion Model
University of California Merced(加州大学默塞德分校);Oregon State University(俄勒冈州立大学);University of Florida(佛罗里达大学)
针对长尾分布下条件扩散模型的模式坍塌问题,提出对比条件-无条件对齐方法,通过对齐损失和对比损失提升尾部类别的多样性与保真度。
2026-06-25 cs.CV cs.LG
Practical and Asymptotically Exact Conditional Sampling in Diffusion Models
Columbia University(哥伦比亚大学);University of Amsterdam(阿姆斯特丹大学)
本文提出扭曲扩散采样器(TDS),一种基于序贯蒙特卡洛的扩散模型条件采样方法,无需任务特定训练即可实现渐近精确采样,并在条件图像生成和蛋白质基序支架任务中优于现有启发式方法。
2024-11-23 cs.LG q-bio.BM 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
Non-asymptotic convergence bound of conditional diffusion models
School of Mathematics and Statistics, Northeast Normal University, China(数学与统计学学院,东北师范大学)
针对条件扩散模型非渐近性质缺失的问题,提出整合预训练模型f_ϕ(x)的CARD条件扩散模型,推导其随机微分方程并建立广义形式,在Lipschitz假设下给出分布误差上界,附加轻尾性假设推导得分函数真实值与估计值的收敛上界,填补理论空白。
2025-08-13 cs.LG stat.ML
Conditional Diffusion for Nonparametric Instrumental Variable Quantile Regression
Institute of Data Science and Statistics, Shanghai University of Finance and Economics(上海财经大学数据科学与统计研究院);School of Mathematics and Statistics, Wuhan University(武汉大学数学与统计学院);School of Artificial Intelligence, Wuhan University(武汉大学人工智能学院)
本研究提出结合条件扩散建模的两阶段非参数工具变量分位数回归方法,建立了重尾分布下的理论保证,经模拟与实际数据验证,其性能优于现有方法且随维度提升优势更明显。
2026-08-11 cs.LG stat.ML
Distilling Diffusion Models into Conditional GANs
Pohang University of Science and Technology(浦项科技大学);Adobe Research(奥多比研究院);Seoul National University(首尔大学);Carnegie Mellon University(卡内基梅隆大学)
我们提出将扩散模型蒸馏为单步条件GAN的方法,通过E-LatentLPIPS损失和多尺度判别器,在零样本COCO上超越DMD等模型,加速推理并保持图像质量。
2024-07-17 cs.CV cs.GR cs.LG
Bottleneck Conditional Density Estimation
Stanford University(斯坦福大学);Adobe Research(Adobe研究院);DeepMind
我们引入了一个新的框架,用于训练高维条件密度估计的深度生成模型。瓶颈条件密度估计(BCDE)是条件变分自动编码器(CVAE)的变体,其采用随机变量的层作为输入$x$和目标$y$之间的瓶颈,其中两者都是高维的。关键是,我们提出了一种新的混合训练方法,将条件生成模型与联合生成模型相结合。混合混合是BCDE有效训练的关键,它避免了过拟合,并提供了一种利用未标记数据的新机制。我们表明,我们的混合训练过程使模型能够在全监督环境中的MNIST象限预测任务中取得有竞争力的结果,并在MNIST,SVHN和CelebA的半监督制度中设定了新的基准。
2017-06-30 cs.LG stat.ML
Conditional Diffusion Under Linear Constraints: Langevin Mixing and Information-Theoretic Guarantees
University of Michigan(密歇根大学)
本文研究预训练扩散模型在零样本条件下对线性逆问题(如修复和超分辨率)的采样,提出通过投影-切线分解分析得分函数,证明误差上界与条件互信息关系,提出投影-兰杰文初始化和引导反向去噪方法提升修复和超分辨率性能。
2026-05-06 cs.IT cs.LG math.IT
Come-Closer-Diffuse-Faster: Accelerating Conditional Diffusion Models for Inverse Problems through Stochastic Contraction
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST))
扩散模型最近在社区内获得了显着的兴趣,由于其强大的性能作为生成模型。此外,它的反问题的应用已经证明了国家的最先进的性能。不幸的是,扩散模型有一个关键的缺点-它们本质上采样缓慢,需要几千步迭代才能从纯高斯噪声中生成图像。在这项工作中,我们表明,从高斯噪声是不必要的。相反,从具有更好初始化的单个前向扩散开始显著减少了反向条件扩散中的采样步骤的数量。这种现象可以用随机差分方程的收缩理论来正式解释,就像我们的条件扩散策略一样--反向扩散的交替应用,然后是非扩展性数据一致性步骤。新的采样策略被称为“靠近扩散更快”(CCDF),还揭示了关于如何将现有的逆问题前馈神经网络方法与扩散模型协同结合的新见解。超分辨率,图像修复,和压缩感知MRI的实验结果表明,我们的方法可以实现国家的最先进的重建性能在显着减少采样步骤。
2022-03-19 cs.CV cs.LG eess.IV
Your Absorbing Discrete Diffusion Secretly Models the Conditional Distributions of Clean Data
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学首都人工智能学院);Beijing Key Laboratory of Big Data Management and Analysis Methods(北京大数据管理与分析方法重点实验室);Huawei Noah’s Ark Lab(华为诺亚实验室)
本文揭示吸收式扩散中的混凝土分数可表示为干净数据的条件概率乘以时间相关的标量,提出无需时间条件的RADD模型,减少函数评估次数并提升采样速度,统一了吸收式扩散与任意阶自回归模型。
2026-03-23 cs.CL cs.LG
Semi-Supervised Conditional Diffusion via Label Augmentation
Department of Applied Mathematics, The Hong Kong Polytechnic University(应用数学系,香港理工大学);School of Statistics and Data Science, Nankai University(统计与数据科学学院,南开大学);School of Statistics, East China Normal University(统计学院,华东师范大学);Department of Data Science and AI, The Hong Kong Polytechnic University(数据科学与人工智能系,香港理工大学)
研究如何利用未标记数据改进条件扩散模型,提出标签增强条件扩散方法(LACD),通过给未标记数据赋平凡标签并联合去噪,在理论上保证可识别性和收敛速度,实验证明该方法在样本效率和生成性能上优于纯监督估计器。
2026-07-21 cs.LG stat.ML
Domain-Adapted Diffusion Models for Conditional Independence Testing
East China Normal University(华东师范大学);Riken AIP(理化学研究所人工智能研究中心);The Graduate University for Advanced Studies, SOKENDAI(综合研究大学院大学);The Institute of Statistical Mathematics(统计数学研究所);Hunan Normal University(湖南师范大学);The University of Tokyo(东京大学);Hasso Plattner Institute(哈索·普拉特纳研究所)
本文提出域自适应扩散框架(DA-Diff)及检验方法(DA-CIT),通过多源域迁移学习改进条件生成估计,实现条件独立性检验的渐近第一类错误控制,实验验证了生成质量与检验性能的提升。
2026-09-29 cs.LG stat.ML
Unsupervised Raindrop Removal from a Single Image using Conditional Diffusion Models
Faculty of Computer Science, Universitas Indonesia(计算机科学学院,印度尼西亚大学)
针对单图雨滴去除难题,本文提出利用基于扩散模型的图像修复技术替代常用GAN背景恢复架构,实现无监督雨滴去除。
2025-05-13 cs.CV cs.LG
Beyond Linear Diffusions: Improved Representations for Rare Conditional Generative Modeling
University of Chicago(芝加哥大学);J.P. Morgan AI Research(摩根大通AI研究);J.P. Morgan Quantitative Research(摩根大通量化研究)
针对线性扩散模型在条件分布低概率区域样本稀缺、建模困难的问题,结合条件极值理论提出带数据驱动非线性漂移项的尾部自适应扩散方法,在合成与真实金融数据集上表现优于标准模型。
2025-10-02 cs.LG stat.ML
mmWave-Diffusion:A Novel Framework for Respiration Sensing Using Observation-Anchored Conditional Diffusion Model
Key Laboratory of Underwater Acoustic Signal Processing of Ministry of Education, Southeast University, Nanjing, 211189, China(教育部水下声学信号处理重点实验室,东南大学,南京,211189,中国);Purple Mountain Laboratories, Nanjing, 211111, China(紫金山实验室,南京,211111,中国)
本文提出mmWave-Diffusion框架,通过观测锚定条件扩散模型消除微运动干扰,实现呼吸信号的高精度重建与估计。
2026-03-21 cs.LG eess.IV
A Hybrid Wavelet-Fourier Method for Next-Generation Conditional Diffusion Models
University of California Berkeley(加州大学伯克利分校)
本文提出 Wavelet-Fourier-Diffusion 框架,将小波子带分解与部分傅里叶步骤结合,在混合谱域中进行扩散生成,并通过交叉注意力支持条件图像生成,在多个基准上取得优于基线扩散模型和先进 GAN 的性能。
2025-04-04 cs.CV cs.LG eess.IV
C-MI-GAN : Estimation of Conditional Mutual Information using MinMax formulation
IIT Delhi(印度理工学院德里分校);University of Washington(华盛顿大学);TIFR Mumbai(塔塔基础研究院孟买分院)
信息理论量的估计,如互信息及其条件变量,由于其多方面的应用,最近引起了人们的兴趣。新提出的神经估计这些数量克服了严重的缺点,经典的$k$ NN为基础的估计在高维。在这项工作中,我们专注于条件互信息(CMI)估计,利用其制定的最小最大优化问题。这样的公式导致了类似于生成对抗网络的联合训练过程。我们发现,我们提出的估计提供了更好的估计比现有的方法对各种模拟数据集,包括变量之间的线性和非线性关系。作为CMI估计的一个应用,我们将我们的估计器部署在真实数据上进行条件独立性(CI)测试,并获得了比最先进的CI测试仪更好的结果。
2020-07-23 cs.IT cs.LG math.IT
A Conditional Adversarial Network for Scene Flow Estimation
深度视频中的场景流估计问题因其在机器人领域的潜在应用而受到机器人视觉研究者的关注。传统的场景流方法由于计算量大而难以应用于实际应用。我们提出了一个用于场景流量估计的条件对抗网络SceneFlowGAN。所提出的SceneFlowGAN在两端使用损失函数:生成器和描述符端。该网络是首次尝试使用生成对抗网络来估计场景流,并且能够同时从输入立体图像中估计光流和视差。该方法在一个大型RGB-D基准场景流数据集上进行了实验。
2019-04-25 cs.CV cs.LG cs.RO
CMMD: Contrastive Multi-Modal Diffusion for Video-Audio Conditional Modeling
University of California Irvine(加利福尼亚大学欧文分校);Microsoft Research(微软研究院)
本研究提出用于视频音频双向条件生成的多模态扩散模型CMMD,通过联合对比损失和跨模态简易融合模块,在生成质量、速度及音视频对齐上优于基线。
2024-10-09 cs.CV cs.LG cs.MM
Semantically-Guided Inference for Conditional Diffusion Models: Enhancing Covariate Consistency in Time Series Forecasting
针对条件扩散模型在时间序列预测中协变量不一致的问题,提出即插即用的推理时方法SemGuide,通过评分网络和重要性重加权增强语义对齐,提升预测准确性与协变量一致性。
2025-08-03 cs.AI cs.LG
Guided and Unguided Conditional Diffusion Mechanisms for Structured and Semantically-Aware 3D Point Cloud Generation
Department of Computer Science;Engineering, University of Nevada, Reno, USA
本文提出一种将逐点语义条件直接嵌入扩散过程的框架,实现三维点云几何与语义的联合生成,并通过对比有引导与无引导扩散机制验证了条件变量对生成质量的显著提升。
2025-09-21 cs.AI cs.CV cs.LG
On Statistical Rates of Conditional Diffusion Transformers: Approximation, Estimation and Minimax Optimality
Northwestern University(西北大学);National Taiwan University(台湾大学);National Center for Theoretical Sciences(国家理论科学中心)
该研究分析了带无分类器引导的条件扩散Transformer(DiTs)的逼近与估计速率,证明其在特定设置下的极小极大最优性,为DiT模型开发提供统计理论指导。
2024-11-26 cs.AI cs.CV cs.LG