.png){kind=icon}
返回
Diffusion Classifier Guidance for Non-robust Classifiers
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05981-9_13.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分类器引导旨在引导扩散过程，使给定分类器能够可靠地将生成的数据点识别为某一类别。然而，大多数分类器引导方法仅限于鲁棒分类器，这些分类器是专门针对扩散正向过程的噪声进行训练的。我们将分类器引导扩展到适用于通用、非鲁棒分类器，这些分类器是在没有噪声的情况下训练的。我们在标准CelebA数据集、专门化的SportBalls数据集和高维真实世界的CelebA-HQ数据集上分析了非鲁棒和鲁棒分类器对扩散过程噪声的敏感性。我们的发现表明，非鲁棒分类器在噪声条件下表现出显著的准确率下降，导致引导梯度不稳定。为缓解这些问题，我们提出了一种利用单步去噪图像预测的方法，并采用受随机优化方法启发的稳定技术，如指数移动平均。实验结果表明，我们的方法在保持样本多样性和视觉质量的同时提高了分类器引导的稳定性。这项工作有助于推动生成模型中的条件采样技术，使更广泛的分类器能够用作引导分类器。
Keyword:
DDPM
Diffusion Models
Conditional Sampling
Classifier Guidance
Gradient Guidance
期刊
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏 没有更多内容
没有更多内容