![arxiv：2312.05989v2 [cs.lg] 15 Sep 2024](/simg/4/4a113b15883d212e8cc7acc710d29df13fa90cfd.webp)
机构名称：
¥ 1.0
有两种主要的扩散模型方法：降解扩散概率模型（DDPMS）（Sohl- Dickstein等，2015； Ho等，2020）和基于得分的生成模型（Song＆Ermon，2019）（SGMS）（SGMS）。以前的DDPM逐渐通过向前过程将样品从目标分布转换为噪声，并训练向后的过程逆转转换并用于生成新样品。另一方面，SGM使用得分匹配技术（Hyvärinen＆Dayan，2005; Vincent，2011）来学习数据生成分布的得分函数的近似，然后使用Langevin Dynamics生成新样本。由于对于现实世界的分布，得分功能可能不存在，Song＆Ermon（2019）建议在训练样本中添加不同的噪声水平以覆盖整个实例空间，并训练神经网络以同时学习所有噪声水平的得分函数。
arxiv：2312.05989v2 [cs.lg] 15 Sep 2024
主要关键词
![arxiv：2312.05989v2 [cs.lg] 15 Sep 2024PDF文件第1页](/bimg/e/e56061ce4bfac561d37fd5da17f25645960caa7f.webp)
![arxiv：2312.05989v2 [cs.lg] 15 Sep 2024PDF文件第2页](/bimg/3/34ad4058bab44b0f04f5ac7b2124b6d7b7e82755.webp)
![arxiv：2312.05989v2 [cs.lg] 15 Sep 2024PDF文件第3页](/bimg/8/88a1b32e9528d17b8e0d2f1889414aae19d45ba8.webp)
![arxiv：2312.05989v2 [cs.lg] 15 Sep 2024PDF文件第4页](/bimg/2/24779424ec553fe1797738cfd315b19516becf79.webp)
![arxiv：2312.05989v2 [cs.lg] 15 Sep 2024PDF文件第5页](/bimg/e/e853b611a5ead7f47d179e9a172a21c5672f569e.webp)
相关文件推荐
![arxiv：2312.04564v3 [cs.cv] 26 Sep 2024](/simg/5/53678c5de46f0ed9c6cab944ef0cb9e391f0d622.webp)
![arxiv：2312.17217v3 [astro-ph.co] 16 Sep 2024](/simg/c/c60da249b38205b715f67e65152cf3d0476a318c.webp)
![arxiv：2305.19241v8 [cs.cr] 23 Sep 2024](/simg/c/ce570bed83614566168a8aee726a9d156b395521.webp)
![arxiv：2401.08740v2 [cs.cv] 23 Sep 2024](/simg/3/33fbb7365131166a8cfcb2174da1735b80de7c91.webp)
![arxiv：2405.14411v2 [CS.AI] 4 Sep 2024](/simg/1/1115abfe48fe64291ecf101f45f411d67ec51b4b.webp)
![arxiv：2409.06129v1 [cs.cv] 10 Sep 2024](/simg/c/cc2240fc97865dd7e8a62c0c7bee131b7cf37698.webp)
![arxiv：2409.14173v1 [cs.ai] 21 Sep 2024](/simg/f/f63a98cc3c3864a71fced1ea74c9e0cbfe814d82.webp)
![arxiv：2409.04569v1 [Quant-ph] 6 Sep 2024](/simg/9/96558ac949f00079b8bbe0bde1ff656af6417803.webp)
![arxiv：2306.05919v2 [Quant-ph] 8 Sep 2024](/simg/a/ad88956097cf5d02b3981691634d5efa9c967a39.webp)
![arxiv：2409.16636v1 [cs.cl] 25 Sep 2024](/simg/b/b129a6cc9ff56599077700126545c20fcdc020f0.webp)
![arxiv：2409.09972v1 [cs.ro] 16 Sep 2024](/simg/f/ff362a65c62a58b59167bf67a65f0972591c084a.webp)
![arxiv：2409.14633v1 [cs.ro] 23 Sep 2024](/simg/7/7bf81d78b5e22cfcb825fad153a724111581e93c.webp)
![arxiv：2205.12381v2 [cs.lg] 15 Sep 2022](/simg/2/2dd2e441059ed058266b4ee30c4b0f3f9f7e002d.webp)
![arxiv：2403.17346v2 [CS.CV] 2 Sep 2024](/simg/9/9944fb79975bd27f5343cf3e1c65012cdfd8fc49.webp)
![arxiv：2409.08627v1 [Quant-ph] 13 Sep 2024](/simg/e/e0d6b8d2305444681376d085492d460ccff0d0d8.webp)
![arxiv：2409.06832v1 [astro-ph.ep] 10 Sep 2024](/simg/9/93f533152874fba6a58ef3580ccc88b71c6fbff2.webp)
![arxiv：2311.03305v2 [hepth] 22 Sep 2024](/simg/3/3dd9858ef0d908d42577e4102ce9b7bb6f5e6dbc.webp)
![arxiv：2409.18502v1 [Quant-ph] 27 Sep 2024](/simg/7/709b594740b2f88d985077820519abcc8df5144b.webp)
![arxiv：2409.17734v1 [Quant-ph] 26 Sep 2024](/simg/8/87040928033babf41a9507c8384f6f5370b12e32.webp)
![arxiv：2409.17759v1 [eess.iv] 26 Sep 2024](/simg/2/2a76c65d7eeb83c3905c9889ad37609048111e07.webp)
![arxiv：2409.17457V1 [CS.CV] 26 Sep 2024](/simg/2/2fc2ec531c9a2d2eb7f7bb650cdbef87119ef01e.webp)
![arxiv：2302.10729v3 [CS.HC] 16 Sep 2024](/simg/f/fd7153cb14212588030137ed1d5bbdee90257e51.webp)