.png){kind=icon}
返回
Diffusion Models and Representation Learning: A Survey
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2026.3658965.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩散模型是多种视觉任务中流行的生成建模方法，引起了广泛关注。由于它们不依赖于标签标注，可以被视为一种独特的自监督学习方法。本综述探讨了扩散模型与表示学习之间的相互作用。它概述了扩散模型的基本方面，包括数学基础、流行的去噪网络架构和引导方法。详细介绍了与扩散模型和表示学习相关的各种方法。这些包括利用预训练扩散模型学习到的表示进行后续识别任务的框架，以及利用表示和自监督学习进展来增强扩散模型的方法。本综述旨在全面概述扩散模型与表示学习之间的分类学关系，识别现有关注的关键领域和潜在探索方向。
Keyword:
Deep generative modeling
diffusion models
denoising diffusion models
score-based models
image generation
representation learning
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
暂无论文信息