.png){kind=icon}
返回
Beyond image generation: visual data analysis with diffusion models—a comprehensive survey
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-026-11615-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本综述考察了扩散模型在视觉数据上的近期非生成应用，系统性地回顾了来自顶级人工智能/机器学习会议、领先期刊和arXiv预印本的研究论文。我们的分析聚焦于视觉扩散模型（DMs）在图像生成之外的判别性利用。我们提出了一种新颖的分类法，将现有DMs应用分为四组：内容检测、动作理解、时空视图估计和表示学习，并在每个类别内进行更详细的细分。我们的系统分析表明，扩散模型在不确定性关键判别任务（包括姿态估计、异常检测、语义对应和深度估计）中表现出优越性能，但普遍面临计算开销挑战，其推理时间比判别性替代方法慢10-100倍。该综述识别了基于扩散的数据分析的关键优势，包括更好地处理模糊真实值、固有不确定性量化和基础特征的丰富表示。我们还强调了有前景的混合方法，这些方法结合了扩散和判别方法，在保持高性能的同时解决了计算限制。本文为机器学习从业者提供了在视觉分析任务中利用扩散模型的系统性指南，并指出了效率优化和跨域泛化方面的关键研究空白。
Keyword:
Survey paper
Deep learning
Diffusion models
Visual data analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
引用论文
暂无论文信息