机构名称：
¥ 1.0
摘要。扩散模型在图像一般方面具有出色的质量，但以一定的代价。迭代denoising需要许多时间步骤来产生高保真图像。由于目标数据的初始不准确重建，重建误差的积累至关重要的限制。这会导致质量降低，收敛速度较慢。为了解决这些问题，我们提出了补偿抽样，以指导生成目标领域。我们引入了一个用U-NET实施的薪酬术语，该薪酬添加了可忽略的培训间接费用。我们的方法是灵活的，我们将其在基准数据集Cifar-10，Celeba，Celeba-HQ，FFHQ-256和FSG上的无条件生成，面对介绍和面对外划分中的应用。我们的方法始终从图像质量方面产生最先进的结果，同时加速了在训练过程中以最高数量级收敛的转化过程。
补偿抽样，以改善扩散模型的收敛性
主要关键词
相关文件推荐
