CCDM: Continuous Conditional Diffusion Models for Image Generation

Xin Ding

doi:10.1109/TMM.2026.3660128

CCDM: Continuous Conditional Diffusion Models for Image Generation

2026-02-03

0

PRE

AI

DOI：10.1109/TMM.2026.3660128

原文链接

摘要

En 中文

连续条件生成建模（CCGM）估计高维数据分布，如图像，条件于标量连续变量（即回归标签）。虽然连续条件生成对抗网络（CcGANs）为此任务而设计，但其对抗学习过程中的不稳定性常导致次优结果。条件扩散模型（CDMs）提供了一种有前景的替代方案，能生成更真实的图像，但它们的扩散过程、标签条件和模型拟合程序要么未针对CCGM进行优化，要么与之不兼容，难以整合CcGANs的邻域方法。为解决这些问题，我们引入连续条件扩散模型（CCDMs），这是首个专门为CCGM设计的CDM。CCDMs通过特别设计的条件扩散过程、一种新颖的硬邻域图像去噪损失、定制化的标签嵌入方法和高效的条件采样流程来克服现有局限性。通过在四个不同分辨率（从$64\times 64$到$192\times 192$）的数据集上的全面实验，我们证明CCDMs优于当前最先进的CCGM模型，并建立了新的基准。消融研究进一步验证了模型设计和实现，指出某些广泛使用的CDM实现对于CCGM任务无效。

Keyword:

Continuous conditional generative modeling

conditional diffusion models

continuous scalar conditions

CCDM: Continuous Conditional Diffusion Models for Image Generation

摘要

期刊

机构

引用论文