DiffusionCLIP: Text-Guided Diffusion Models for Robust Image Manipulation
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
最近,GAN反演方法与对比图像预训练(CLIP)相结合,使zero-shot图像操作由文本提示引导。然而,由于有限的GAN反演能力,它们的应用到不同的真实图像仍然是困难的。具体地,这些方法通常难以重建具有与训练数据相比的新颖姿态、视图和高度可变内容的图像,改变对象身份,或产生不想要的图像伪影。为了减轻这些问题,使真实图像的忠实操纵,我们提出了一种新的方法,称为DiffusionCLIP,使用扩散模型执行文本驱动的图像操作。基于最近扩散模型的完全反演能力和高质量图像生成能力,我们的方法即使在看不见的域之间也能成功地执行zero-shot图像操作,并通过操作来自广泛变化的ImageNet数据集的图像,向通用应用迈出了又一步。此外,我们提出了一种新的噪声组合方法,允许简单的多属性操作。广泛的实验和人类评估证实了我们的方法与现有基线相比具有强大和优越的操作性能。代码可在https://github.com/gwang-kim/DiffusionCLIP.git上获得。
2022-08-11 cs.AI cs.CV cs.LG
On Distillation of Guided Diffusion Models
Stanford University(斯坦福大学);Stability AI;LMU Munich(慕尼黑大学);Google Research(谷歌研究院)
本文提出一种蒸馏无分类器引导扩散模型的方法,通过先学习匹配条件与无条件模型组合输出的单一模型,再逐步蒸馏为少步采样模型,在保持图像质量的同时将采样速度提升最高256倍,并验证了其在文本引导编辑和修复任务中的有效性。
2023-04-12 cs.AI cs.CV cs.LG
Manifold Preserving Guided Diffusion
Carnegie Mellon University(卡内基梅隆大学);Sony AI(索尼人工智能);Sony Group Corporation(索尼集团公司);Stanford University(斯坦福大学)
本文提出免训练条件生成框架MPGD,利用流形假设和捷径算法在低计算条件下实现高效条件图像生成,并在保持样本质量的同时获得最高3.8倍加速。
2023-11-28 cs.AI cs.CV cs.LG
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
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
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
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
Particle-Guided Diffusion Models for Partial Differential Equations
Department of Computer and Information Science, Linköping University, Linköping, Sweden(计算机与信息科学系,林雪平大学,林雪平,瑞典)
提出一种粒子引导的随机采样方法,结合扩散模型与基于PDE残差和观测约束的物理引导,通过序贯蒙特卡洛框架实现可扩展的生成式PDE求解器,在多个基准和多物理场系统中数值误差低于现有方法。
2026-05-27 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
HOG-Diff: Higher-Order Guided Diffusion for Graph Generation
HOG-Diff通过高阶拓扑引导和扩散桥梁,实现图生成的高阶拓扑结构捕捉,展示了方法在多样领域和大规模设置中的优越性能。
2026-03-12 cs.AI cs.LG cs.SI
Enhanced Low-Density Region Exploration in Classifier-Guided Diffusion Models Through Modified Reverse Diffusion Sampling
University of Allahabad(阿拔斯大学)
提出一种无需额外训练的采样时间密度感知方法,通过修改分类器梯度引导轨迹朝向低置信区域并引导采样朝向预测真实图像,以增强扩散模型对低密度区域的探索。
2026-06-12 cs.LG
Diffusion Probabilistic Modeling for Video Generation
University of California Irvine(加州大学欧文分校)
去噪扩散概率模型是一类很有前途的新的生成模型,它标志着高质量图像生成的一个里程碑。本文展示了它们顺序生成视频的能力,在感知和概率预测指标方面超过了以前的方法。我们提出了一个自回归,端到端优化的视频扩散模型的灵感来自神经视频压缩的最新进展。该模型通过使用由逆扩散过程生成的随机残差来校正确定性下一帧预测,从而连续地生成未来帧。我们将这种方法与涉及自然和基于模拟的视频的四个数据集上的五个基线进行比较。我们发现所有数据集的感知质量都有显着改善。此外,通过引入适用于视频的连续排序概率分数(CRPS)的可扩展版本,我们表明,我们的模型在概率帧预测能力方面也优于现有方法。
2022-12-08 cs.CV cs.LG stat.ML
GLIDE: Graph-guided Leap Inference for Diffusion Estimation of Spatio-Temporal Point Processes
University of Electronic Science and Technology of China(电子科技大学)
提出GLIDE框架,利用多尺度历史图编码和双流架构作为条件,结合先验引导的跳跃推理机制,实现高效且准确的时空点过程下一个事件建模与预测。
2026-05-31 cs.LG
Text-guided Diffusion Model for 3D Molecule Generation
University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学)
针对现有分子生成模型仅支持单一属性条件、难以处理复杂文本定制的问题,研究提出融合语言与扩散模型的TextSMOG方法,通过文本引导3D小分子生成,提升了生成稳定性与多样性,可有效响应复杂文本定制需求。
2024-10-04 cs.AI cs.LG physics.chem-ph
Prompt-guided Precise Audio Editing with Diffusion Models
Tencent AI Lab(腾讯AI实验室);Beijing Institute of Technology(北京理工大学)
本文提出无需训练的通用模块PPAE,利用扩散模型交叉注意力图和分层局部-全局流水线,仅通过文本提示实现精确音频编辑。
2024-05-11 cs.AI cs.LG cs.SD
SurGen: Text-Guided Diffusion Model for Surgical Video Generation
Stanford Medicine(斯坦福医学院);Johns Hopkins University(约翰斯·霍普金斯大学);Penn Medicine(宾夕法尼亚医学院)
本研究提出专为手术视频合成定制的文本引导扩散模型SurGen,其生成的视频在现有同类模型中分辨率最高、时长最长,实验证明该模型可作为外科实习生的有价值教育工具。
2024-09-24 cs.AI cs.CL cs.CV
DS-Diffusion: Data Style-Guided Diffusion Model for Time-Series Generation
Harbin Institute of Technology(哈尔滨工业大学);National Key Laboratory of Smart Farm Technologies and Systems(智慧农场技术与系统全国重点实验室)
提出DS-Diffusion,利用风格引导核避免重训,结合时间分层去噪减少分布偏差,提升生成质量与可解释性。
2025-09-24 cs.LG
Zero-Shot Contrastive Loss for Text-Guided Diffusion Image Style Transfer
Kim Jaechul Graduate School of AI(金在哲人工智能研究生院);Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST))
本文提出零样本对比损失方法,利用预训练扩散模型中的分块对比损失,在无需微调或辅助网络的情况下实现文本引导的图像风格迁移,并优于现有方法。
2023-04-12 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
Towards a unified framework for guided diffusion models
Department of Statistics, the Chinese University of Hong Kong, Hong Kong(香港中文大学统计学系);Department of Statistics and Data Science, the Wharton School, University of Pennsylvania(宾夕法尼亚大学沃顿商学院统计学与数据科学系)
本文提出统一框架,通过引入奖励引导项提升扩散模型奖励表现,并首次理论化无分类器引导的性能指标。
2025-12-04 cs.LG math.ST stat.ML
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
PhysDiff: Physics-Guided Human Motion Diffusion Model
NVIDIA(英伟达)
针对现有运动扩散模型忽略物理定律、生成运动存在物理伪影的问题,提出PhysDiff模型,通过物理运动投影模块迭代引导扩散过程,实现最先进的运动质量,大幅提升物理可信度。
2023-08-18 cs.AI cs.CV cs.GR
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
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
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
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
DiffuSAM: Diffusion Guided Zero-Shot Object Grounding for Remote Sensing Imagery
Indian Institute of Technology Bombay(印度理工学院班加罗尔)
本文提出DiffuSAM,结合扩散模型与先进分割模型,提升遥感影像目标定位精度,实验显示在Acc@0.5上提升超14%。
2026-04-20 cs.CV cs.LG
Text-Guided Molecule Generation with Diffusion Language Model
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文提出TGM-DLM,利用两阶段扩散语言模型更新SMILES token嵌入,在文本引导下生成有效分子,无需额外数据即超越MolT5-Base,推动药物发现。
2024-02-20 cs.AI cs.CE cs.CL
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
Diffusion Model Guided Sampling with Pixel-Wise Aleatoric Uncertainty Estimation
针对扩散模型缺乏图像质量定量评估的问题,提出在采样阶段利用扰动去噪分数方差估计逐像素任意不确定性,并以此引导采样,在 ImageNet 和 CIFAR-10 上改善低质样本过滤与 FID。
2024-11-29 cs.CV cs.LG stat.ML
Pyramidal Denoising Diffusion Probabilistic Models
Korea Advanced Institute of Science and Technology(KAIST)(韩国科学技术院(KAIST))
近年来,扩散模型在图像生成方面表现出了令人瞩目的性能,并在各种计算机视觉任务中得到了广泛的研究。不幸的是,训练和评估扩散模型消耗大量的时间和计算资源。为了解决这个问题,在这里,我们提出了一种新的金字塔扩散模型,可以生成高分辨率的图像,从更粗糙的分辨率图像开始使用{ \em单一}分数函数训练的位置嵌入。这使得神经网络能够更轻,并且还能够在不损害其性能的情况下实现时间有效的图像生成。此外,我们表明,该方法也可以有效地用于多尺度超分辨率问题,使用一个单一的评分函数。
2022-09-30 cs.CV cs.LG stat.ML
A Physics-Guided Probabilistic Surrogate Modeling Framework for Digital Twins of Underwater Radiated Noise
Department of Mechanical Engineering, The University of British Columbia(英国不列颠哥伦比亚大学机械工程系)
针对沿海水下辐射噪声治理需求,提出物理引导的概率代理建模框架,整合物理信息均值、多类编码器与残差SVGP层,实现海洋声学三维传播损失的不确定性预测,可支撑船舶航速优化与可持续海事运营。
2025-09-30 cs.LG physics.comp-ph
Direct Preference Optimization-Enhanced Multi-Guided Diffusion Model for Traffic Scenario Generation
Pohang University of Science and Technology(浦项科技大学);School of Electrical Engineering, Pohang University of Science and Technology(浦项科技大学电气工程学院);NAVER LABS(NAVER实验室)
针对多引导扩散采样易偏离真实交通先验的问题,提出多任务学习框架并用DPO基于引导分数微调,在nuScenes上实现真实性、多样性与可控性的平衡。
2025-02-14 cs.LG cs.MA
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
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
Diffusion Guided Language Modeling
Cornell University(康奈尔大学)
本文提出用引导扩散模型生成潜在提议来引导自回归语言模型,在保持流畅性的同时实现即插即用的属性控制,并在多个基准数据集上优于以往方法。
2024-08-08 cs.CL cs.LG
VisioBlend: Sketch and Stroke-Guided Denoising Diffusion Probabilistic Model for Realistic Image Generation
Vidyavardhini’s College of Engineering and Technology(维迪亚瓦尔迪尼工程与技术学院)
针对手绘草图转图像中的多样性需求与训练数据限制,本文提出 VisioBlend 扩散框架,通过三维可控的草图与笔触引导实现逼真、灵活的图像生成,并利用合成数据增强数据集。
2024-05-15 cs.CV cs.LG
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
BadGraph: A Backdoor Attack Against Latent Diffusion Model for Text-Guided Graph Generation
School of Computer Engineering and Science, Shanghai University(上海大学计算机工程与科学学院)
本文提出BadGraph,一种针对文本引导图生成的潜在扩散模型的后门攻击方法,通过文本触发器污染训练数据,在推理时触发指定子图,同时保持对清洁输入的正常性能。
2026-04-11 cs.CL cs.LG q-bio.BM
Regret Analysis of Guided Diffusion for Black-Box Optimization over Structured Inputs
Lattice Lab(晶格实验室);Toyota Motor Corporation(丰田汽车公司);School of Mathematics(数学学院);University of Bristol(布里斯托大学)
本文提出基于证书的期望简单后悔框架,用于指导扩散黑盒优化,避免最大信息增益和RKHS假设,通过质量提升度量解释收敛机制,并提供实用诊断和修正重采样构造。
2026-05-11 cs.LG stat.ML
Theoretical Guarantees for SMC-Guided Diffusion Sampling
Sorbonne Université and Université Paris Cité, CNRS, LPSM(索邦大学和巴黎大学,法国国家科学研究中心,巴黎高等师范学院);Center for Statistics and Images, Mines Paris, PSL University(统计与图像中心,巴黎 Mines,PSL 大学);CREST, ENSAE Paris, Institut Polytechnique de Paris(CREST,ENSAE 巴黎,巴黎理工学院)
针对带偏置核的SMC采样器,推导非渐近误差分解框架,为条件扩散采样场景得到首个联合控制多类误差的非渐近界。
2026-09-30 cs.LG math.PR stat.ML
Drag-guided diffusion models for vehicle image generation
Toyota Research Institute(丰田研究院);Massachusetts Institute of Technology(麻省理工学院)
针对扩散模型难以满足工程设计约束的问题,提出基于物理的引导方法,通过为Stable Diffusion添加拖拽引导,实现生成新型车辆图像的同时最小化预测拖拽系数。
2023-06-16 cs.CV cs.GR cs.LG
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
Manifold-Guided Lyapunov Control with Diffusion Models
University of Waterloo(滑铁卢大学)
本文提出一种基于扩散模型的方法,通过识别预定流形最近的渐近稳定向量场并调整控制函数,为动力学生成稳定控制器,实现了快速零样本控制与泛化。
2024-03-26 cs.CV cs.LG math.DG
Guided Discrete Diffusion for Constraint Satisfaction Problems
Justin Jung
本文提出了一种离散扩散引导方法,用于无监督解决数独谜题等约束满足问题。
2025-12-16 cs.AI cs.LG
PARIC: Probabilistic Attention Regularization for Language Guided Image Classification from Pre-trained Vison Language Models
Uppsala University(乌普萨拉大学);IT University of Copenhagen(哥本哈根信息技术大学);Science for Life Laboratory(生命科学实验室)
针对预训练视觉语言模型确定性注意力图忽视跨模态映射多值性的问题,本文提出概率框架 PARIC,通过生成含不确定性的参考注意力图提升分类准确率、公平性、一致性与鲁棒性。
2025-03-14 cs.AI cs.CV cs.LG
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
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
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
An efficient probabilistic hardware architecture for diffusion-like models
Extropic Corp.(Extropic公司);Department of Electrical Engineering and Computer Science(电气工程与计算机科学系);Massachusetts Institute of Technology(麻省理工学院)
本文提出了一种高效的概率硬件架构,通过全晶体管设计在硬件层面实现强大的去噪模型,使设备在低能耗下达到与GPU相当的性能。
2025-12-10 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
Constraint-Guided Prediction Refinement via Deterministic Diffusion Trajectories
University of Luxembourg(卢森堡大学)
本文提出了一种通用的约束感知预测细化框架,利用DDIMs通过确定性扩散轨迹和约束梯度校正,提升约束满足和性能,适用于非凸和非线性等式约束。
2025-11-19 cs.AI cs.LG
Spatio-temporal probabilistic forecast using MMAF-guided learning
TU Chemnitz, Faculty of Mathematics(图恩-切姆尼茨大学数学系)
本文提出一种理论引导的广义贝叶斯方法,用于训练随机前馈神经网络 ensemble,通过约束数据嵌入设计和优化过程,实现时空奥斯特瓦尔德过程的依赖性和因果结构。实验表明,该方法在多个时间尺度上保持校准,并展示浅层前馈架构在概率预测中可媲美甚至优于卷积或扩散深度学习架构。
2026-06-29 cs.LG math.ST stat.ML
Fast and Robust Likelihood-Guided Diffusion Posterior Sampling with Amortized Variational Inference
Institute of Foundation Models, MBZUAI(基础模型研究所,MBZUAI);Huawei Lagrange Mathematics and Computing Research Center, Paris, France(华为拉格朗日数学与计算研究中心,法国巴黎);Mohamed Bin Zayed University of AI, Chair of the ML Department, EPITA, Laboratoire Recherche de l'EPITA(穆罕默德·本·扎耶德人工智能大学,机器学习系主任,EPITA,EPITA研究实验室)
本文提出一种快速且稳健的扩散后验采样方法,通过幅度化变分推断保留显式似然引导,提升逆问题的效率与鲁棒性。
2026-02-06 cs.AI cs.LG stat.ML