.png){kind=icon}
返回
Cdmm: learning a conditional diffusion model from multi-single images
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02935-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，扩散模型在单图像生成任务中展现出显著潜力。然而，现有的基于扩散模型的单图像生成模型并未被设计为能够同时训练多张图像并可控地生成单张图像。为解决此问题，我们提出了一种从多张单图像中学习条件扩散模型的方法，该方法被命名为CDMM。如我们所阐述的，CDMM引入的条件机制允许使用单一模型对多张单图像进行联合训练，并能够实现单图像的可控生成。此外，通过条件插值，CDMM能够在训练或生成的图像之间实现图像变形，从而为原始模型无法解决的图像多图像处理任务打开了大门。在广泛图像和公开数据集上的大量实验表明，CDMM相较于基于GAN的方法具有更高的LPIPS值，相较于基于扩散的方法具有更低的SIFID值，这表明CDMM能够生成真实且多样的图像。我们的代码将在被接受后免费公开在GitHub上供公众使用。
Keyword:
Single image generation
Multi-single images
Diffusion model
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
SinDiffusion: Learning a Diffusion Model From a Single Natural ImageSindiffusion: 从单张自然图像学习扩散模型
.png){kind=icon}
PREAI
分享收藏Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation利用深度生成先验进行通用图像恢复和处理
OAAI
OAAI分享收藏
查看更多内容