机构名称：
¥ 1.0
物理启发的生成模型（例如扩散模型）构成了强大的生成模型系列。模型在这个家庭中的优势来自相对稳定的培训过程和高容量。仍然可以进行许多可能的改进。在本演讲中，我将讨论物理启发的生成模型的增强和设计。我将首先提出一种采样算法，该算法结合了以前的采样器中最好的，从而大大加快了文本对图像稳定扩散模型的生成速度。此外，我将通过在生成过程中添加样品之间的相互排斥力来讨论促进有限样品中多样性的采样方法。其次，我将讨论一个培训框架，该培训框架将可学习的离散潜在潜伏期引入连续扩散模型。这些潜伏期简化了复杂的噪声到数据映射，并减少了生成轨迹的曲率。最后，我将介绍泊松流量生成模型（PFGM），这是一种由静电理论引起的新生成模型，使领先的扩散模型与领先的扩散模型媲美。扩展版本PFGM ++，将扩散模型和PFGM放置在同一框架下，并引入了新的，更好的模型。谈话中讨论的几种算法是标准基准的最先进方法。
物理启发的生成模型
主要关键词
相关文件推荐
