admin 管理员组

文章数量: 1184232

扩散模型:方法和应用的综合综述Diffusion Models: A Comprehensive Survey of Methods and Applications

  • 0.摘要
  • 1.超级分辨率、修复和翻译
  • 2.语义分割

0.摘要

扩散模型已经成为一个强大的深层生成模型的新家族，在许多应用中具有破纪录的性能，包括图像合成、视频生成和分子设计。在这个综述中，我们提供了一个关于扩散模型的快速扩展的工作的概述，将研究分为三个关键领域:有效抽样，改进的似然估计，和处理具有特殊结构的数据。我们还讨论了将扩散模型与其他生成模型相结合以增强结果的潜力。我们进一步回顾了扩散模型在计算机视觉、自然语言处理、时间数据建模等领域的广泛应用，以及在其他科学学科中的跨学科应用。本调查旨在提供一个背景化的、深入的扩散模型的状态，确定重点领域和指出进一步探索的潜在领域。Github: https://github/YangLing0818/Diffusion-Models-Papers-Survey-Taxonomy。

1.超级分辨率、修复和翻译

生成模型已用于处理各种图像恢复任务，包括超分辨率、修复和平移[10，47，61，103，137，174，187，282]。图像超分辨率旨在从低分辨率输入中恢复高分辨率图像，而图像修复则涉及重建图像中缺失或损坏的区域。
有几种方法利用扩散模型来完成这些任务。例如，通过重复细化的超分辨率（SR3）[202]使用DDPM来实现条件图像生成。SR3通过随机迭代去噪过程进行超分辨率处理。级联扩散模型（CDM）[91]由顺序排列的多个扩散模型组成，每个扩散模型生成分辨率不断提高的图像。SR3和CDM都直接将扩散过程应用于输入图像，这导致了更大的评估步骤。
为了允许在有限的计算资源下训练扩散模型，一些方法[198，234]使用预训练的自动编码器将扩散过程转移到潜在空间。潜在扩散模型（LDM）[198]简化了去噪扩散模型的训练和采样过程，而不牺牲质量
对于修复任务，RePaint[147]采用了一种增强的去噪策略，该策略使用重采样迭代来更好地调整图像（见图5）。同时，Palette[

本文标签： 模型 方法 Diffusion Models applications

版权声明：本文标题：扩散模型:方法和应用的综合综述Diffusion Models: A Comprehensive Survey of Methods and Applications 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1758719122a3089633.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。