XiaoMi-AI文件搜索系统
World File Search Systemdiffusion
剥离扩散概率模型
我们使用扩散概率模型表示高质量的图像合成结果，这是一种受非平衡热力学考虑因素启发的潜在变量模型。我们的最佳结果是通过根据扩散概率模型与Langevin Dynamics匹配的扩散概率模型和降级分数之间的新联系而设计的，我们的模型可以解释为一种渐进的损失减压方案，该方案可以解释为自动性解码的普遍化。在无条件的CIFAR10数据集中，我们获得的成立分数为9.46，最先进的FID得分为3.17。在256x256 LSUN上，我们获得了类似于Progenkivegan的样品质量。我们的提示可在https://github.com/hojonathanho/diffusion上获得。
扩散张量成像发现
这项研究是一项回顾性研究，该研究已由Bezmialememvakıf大学机构伦理委员会批准（日期为2018年10月2日的决定，编号为18/236）。通过表型发现和遗传分析被诊断出的八名受试者参与了这项研究。从同意参加研究的参与者及其父母那里获得了书面知情同意。审查了8位受试者（6名男性，2名女性，平均年龄8岁）和11名年龄匹配的对照组（4名男性，7名女性，平均年龄11岁）。表现症状是精神和运动的恶化，进行性视觉丧失和癫痫发作。所有孩子都存在视力障碍和典型的眼科发现。患者是儿科神经病学系的患者。对照组由没有临床病史的健康患者组成，由于头痛而适用于门诊诊所，并报告其身体检查和MRI正常。回顾性评估所有受试者的常规脑MRI和DTI发现。
ldmol：文本到 - 分子扩散模型
以扩散模型的出现作为生成模型的前线，许多研究人员提出了通过条件扩散模型的分子产生技术。但是，分子的不可避免的离散性使扩散模型很难将原始数据与自然语言等高度复杂的条件连接起来。为了解决这个问题，我们提出了一种新型潜在扩散模型，称为文本条件分子的生成。ldmol构建了一种分子自动编码器，该自动编码器可产生可学习且结构上的特征空间，并具有自然语言条件的潜在扩散模型。特别是认识到多个微笑符号可以代表相同的分子，我们采用对比度学习策略来提取特征空间，以了解分子结构的独特特征。ldmol优于文本到整体生成基准的现有基准，建议扩散模型可以在文本数据生成中胜过自回旋模型，而潜在的潜在域则更好。此外，我们表明LDMOL可以应用于下游任务，例如分子到文本检索和文本引导的分子编辑，表明其作为扩散模型的多功能性。
开发具有扩散的SELEX模拟器
背景：通过指数富集（SELEX）对配体的系统演变是一种发现具有高亲和力和特异性的新型配体的强大方法。但是，实验过程是耗时的，资源密集的，并且涉及许多可以显着影响结果的参数。本论文旨在使用扩散模型开发一个内部的SELEX模拟器，这些模型是一类生成模型，通过一系列通过一系列降噪步骤迭代精炼信号来学会降解数据。通过利用扩散模型的功能，我们可以简化配体发现并优化实验条件。
扩散模型：教程和调查
扩散模型是基于马尔可夫过程的生成模型家族。在其前进过程中，他们逐渐向数据添加噪声，直到变成完整的噪声为止。在向后过程中，数据逐渐从噪声中逐渐发出。在本教程论文中，充分说明了扩散概率模型（DDPM）。详细简化了其可能性的变异下限，分布的参数和扩散模型的损耗函数。引入了对原始DDPM的一些模型，包括非固定的协方差矩阵，减少梯度噪声，改善噪声时间表以及非标准高斯噪声分布和条件扩散模型。最后，解释了噪声表位于连续域中的随机差异方程（SDE）的连续噪声时间表。
c-Shipgen：aconditional引导扩散...
船舶设计是一个复杂的设计过程，可能需要一组海军建筑师团队来完成。改善船舶设计过程可以节省大量成本，同时仍为客户提供高质量的设计。船体设计的新技术是扩散模型，一种生成人工智能。船体设计扩散模型的先前工作创建了高质量的船体，其阻力减少和较大的位移量。但是，工作无法产生符合特定设计约束的船体。本文提出了一个条件扩散模型，该模型在给定特定约束的情况下生成船体设计，例如船体所需的主维度。此外，此扩散模型利用总电阻回归模型的梯度来创建低电阻设计。五个设计测试用例将扩散模型与设计优化算法进行了比较，以创建低电阻的船体设计。在所有五个测试用例中，扩散模型均显示出具有总电阻小于优化船体的多种设计，其电阻降低了25％以上。扩散模型还生成了这些设计，而无需重新培训。这项工作可以通过创建以数据驱动的方法来满足用户需求的高质量船体来大大减少船舶的设计周期时间。
结构化扩散模型与...
我们提出了一类结构化扩散模型，其中将先前的分布选择作为高斯人的混合物，而不是标准的高斯分布。可以选择特定的混合高斯分布，以合并数据的某些结构化信息。我们制定了一个简单的实施训练程序，可以平稳地使用混合高斯作为先验。理论来量化我们提出的模型的好处，该模型与经典扩散模型相比。进行合成，图像和操作数据的数值实验以显示我们模型的比较优势。我们的方法证明对错误的特定方法是可靠的，特别是需要实时训练资源有限或更快培训的诉讼情况。
扩散模型中的高阶累积物
分析扩散模型如何学习高斯阶层以外的相关性，我们研究了在前进过程和向后过程下高阶累积物的行为。我们就远期过程的初始数据和属性的分布来介绍矩和累积生成功能的显式表达式。我们在分析上表明，高阶累积物在纯扩散下是在纯扩散下保守的，即在没有漂移的模型中，在正向过程中，因此，正向过程的终点维持了非平凡的相关性。我们证明，由于这些相关性是在得分函数中编码的，因此在从正常先验开始时，在向后过程中也很快学习了高阶累积物。我们在可解决的玩具模型和标量晶格场理论中确认了我们的分析结果。
评估使用扩散降解概率模型
生成的AI模型，例如稳定的扩散，DALL-E和MIDJOURNEY，最近引起了广泛的关注，因为它们可以通过学习复杂，高维图像数据的分布来产生高质量的合成图像。这些模型现在正在适用于医学和神经影像学数据，其中基于AI的任务（例如诊断分类和预测性建模）通常使用深度学习方法，例如卷积神经网络（CNNS）和视觉变形金刚（VITS）（VITS），并具有可解释性的增强性。在我们的研究中，我们训练了潜在扩散模型（LDM）和deno的扩散概率模型（DDPM），专门生成合成扩散张量张量成像（DTI）地图。我们开发了通过对实际3D DTI扫描进行训练以及使用最大平均差异（MMD）和多规模结构相似性指数（MS-SSSIM）评估合成数据的现实主义和多样性来生成平均扩散率的合成DTI图。我们还通过培训真实和合成DTI的组合来评估基于3D CNN的性别分类器的性能，以检查在培训期间添加合成扫描时的性能是否有所提高，作为数据增强形式。我们的方法有效地产生了现实和多样化的合成数据，有助于为神经科学研究和临床诊断创建可解释的AI驱动图。