机构名称：
¥ 1.0
随着AI生成内容的应用程序（例如Chatgpt和稳定的扩散）的开花，已经对深层生成模型引起了很多关注。扩散概率模型（DPM）是一种创新的图像生成模型，灵感来自热力学中的扩散现象，具有稳定的训练过程和简单的模型结构。然而，基于DPM的图像一代中的一个重要挑战是通过结构，布局和颜色约束来控制输出。当前的方法主要集中于在生成过程中引入额外的分类器或在培训过程中添加条件，这仍然遭受诸如不稳定的生成产出和高培训成本之类的问题。为了探索更好的控制策略，在本论文中，我们提出了一个具有前回溯框架的具有结构的图像生成模型。各向异性扩散[1]将是向前图像退化过程的骨干，条件流匹配方法[2]将用于逆转该过程并生成新图像。各向异性的特性使该模型可以在破坏过程中保留边缘和一般结构，从而可以将几何信息作为条件引入图像生成。
用各向异性...
主要关键词
相关文件推荐
