.png){kind=icon}
返回
DIVE: Inverting Conditional Diffusion Models for Discriminative Tasks
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3623508.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩散模型在图像和视频生成等众多生成任务中取得了显著进展。本文研究了利用预训练扩散模型执行判别任务的问题。具体而言，我们通过“反转”一个预训练的布局到图像扩散模型，将预训练的冻结生成扩散模型的判别能力从分类任务（Li et al., 2023）（Clark et al., 2023）扩展到更复杂的对象检测任务。为此，我们分别提出了基于梯度的离散优化方法以替代繁琐的预测枚举过程，以及一种先验分布模型以更准确地利用贝叶斯规则。实验结果表明，该方法在COCO数据集上与基础的判别式对象检测基线方法相当。此外，我们的方法能够在不牺牲准确性的前提下，显著加速之前的基于扩散的分类方法（Li et al., 2023）（Clark et al., 2023）。代码和模型可在https://github.com/LiYinqi/DIVE获取。
Keyword:
Diffusion model
generative modeling
discriminative Task
object detection
visual recognition
期刊
IF:
9.7
论文数:
4.6K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容