Стартер для шумоподавления диффузии
- Реконструкция источника сильного линзирования с моделями восстановления диффузии с шумоподавлением(arXiv)
Автор:Константин Карчев, Ноэми Анау Монтель, Адам Куган, Кристоф Венигер
Вывод:Анализ системы сильного линзирования галактики сильно зависит от любых предварительных предположений о внешнем виде источника. Здесь мы представляем метод наложения априорной/регуляризации на основе данных для галактик-источников на основе вероятностных моделей диффузии с шумоподавлением (DDPM). Мы используем предварительно обученную модель для изображений галактик, AstroDDPM и цепочку условных шагов реконструкции, называемую моделью шумоподавляющей диффузионной реконструкции (DDRM), чтобы получить выборки, согласующиеся как с зашумленным наблюдением, так и с распределением обучающих данных для AstroDDPM. Мы показываем, что эти выборки обладают качественными свойствами, связанными с апостериорной моделью источника: в сценарии с низким и средним шумом они очень похожи на наблюдения, в то время как реконструкции по неопределенным данным демонстрируют большую изменчивость, согласующуюся с распределением, закодированным в генеративной модели. модель использовалась как предыдущая
2. Рассеивание шумов на основе оценок с помощью неизотропных моделей гауссовского шума(arXiv)
Автор:Викрам Волети, Кристофер Пал, Адам Оберман
Аннотация. Генеративные модели, основанные на методах шумоподавления, привели к беспрецедентному повышению качества и разнообразия изображений, которые теперь можно создавать с помощью нейронных генеративных моделей. Однако большинство современных современных методов основаны на стандартной изотропной формулировке Гаусса. В этой работе мы исследуем ситуацию, когда используются неизотропные распределения Гаусса. Мы представляем основные математические выводы для создания моделей шумоподавляющей диффузии с использованием лежащей в основе неизотропной модели гауссовского шума. Мы также предоставляем первоначальные эксперименты, чтобы помочь эмпирически проверить, что этот более общий подход к моделированию также может давать образцы высокого качества.
3. GENIE: диффузионные решатели высокого порядка для шумоподавления(arXiv)
Автор: Тим Докхорн, Араш Вахдат, Карстен Крайс
Аннотация: Модели диффузии шумоподавления (DDM) стали мощным классом генеративных моделей. Процесс прямой диффузии медленно искажает данные, в то время как глубокая модель учится постепенно устранять шум. Синтез сводится к решению дифференциального уравнения (ДУ), определяемого изученной моделью. Решение DE требует медленных итерационных решателей для качественной генерации. В этой работе мы предлагаем диффузионные решатели высокого порядка с шумоподавлением (GENIE): на основе усеченных методов Тейлора мы получаем новый решатель более высокого порядка, который значительно ускоряет синтез. Наш решатель опирается на градиенты более высокого порядка возмущенного распределения данных, то есть на функции оценки более высокого порядка. На практике требуются только продукты вектора Якоби (JVP), и мы предлагаем извлекать их из сети оценок первого порядка с помощью автоматического дифференцирования. Затем мы перегоняем JVP в отдельную нейронную сеть, которая позволяет нам эффективно вычислять необходимые члены более высокого порядка для нашего нового семплера во время синтеза. Нам нужно только обучить небольшую дополнительную голову поверх сети оценок первого порядка. Мы проверяем GENIE на нескольких тестах генерации изображений и демонстрируем, что GENIE превосходит все предыдущие решатели. В отличие от недавних методов, которые коренным образом изменяют процесс генерации в DDM, наш GENIE решает настоящую генеративную DE и по-прежнему поддерживает такие приложения, как кодирование и управляемая выборка. Страница и код проекта: https://nv-tlabs.github.io/GENIE
