机构名称：
¥ 2.0
扩散模型（DMS）已彻底改变了一般学习。他们利用扩散过程将数据编码为简单的高斯分布。但是，将复杂的，潜在的多模式数据分布编码为单个连续的高斯分布可以说是一个不必要的挑战性学习问题。我们建议通过引入互补的离散la-Tent变量来简化此任务，以简化此任务。我们使用可学习的离散潜在潜在的DMS增强DM，并用编码器推断出DM和DM和编码器端到端。Disco-Diff不依赖于预训练的网络，因此该框架普遍适用。离散的潜伏期可以通过降低DM生成ode的曲率来大大简化学习DM的复杂噪声到数据映射。加法自动回归变压器模型离散潜伏期的分配，这是一个简单的步骤，因为迪斯科舞厅只需要很少有带有小型代码的离散变量。我们在玩具数据，几个图像合成任务以及分子对接方面验证了DISCO-DIFF，并发现引入离散潜在潜伏期始终可以改善模型性能。例如，Disco-Diff在具有ODE Sampler的类调节Imagenet-64/128数据集上获得了最先进的FID分数。
迪斯科舞厅：增强具有离散潜在潜在的连续扩散模型
主要关键词
相关文件推荐
