.png){kind=icon}
返回
Improved Residual Learning in Diffusion Models
.png){kind=icon}
PRE
AI
DOI：10.1109/tpami.2026.3689939.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（DMs）已深刻改变了生成建模领域，实现了卓越的图像生成质量。然而，预训练DMs在实际采样轨迹中积累的建模误差所产生的生成图像残差，仍是一个不可避免的挑战。为缓解此问题，我们提出了一种基于参数化校正函数的新型残差学习框架，旨在通过残差校正来提升建模性能。最值得注意的是，我们的框架展现出卓越的可迁移残差校正能力，使得针对特定预训练DM在给定数据集上优化的校正函数，能够提升其他在同一数据集上训练的DMs的性能。为进一步改进我们的框架，我们引入了一种先进的训练方法，设计了一个ODE采样器库以精炼残差模拟，并融合了分数一致性维护技术以增强模型收敛性。基于此方法，优化的校正函数在残差校正方面取得了显著提升。在四个常用数据集和多种预训练DMs上的大量实验验证了我们残差学习框架的有效性和优越性。
Keyword:
Diffusion models
residual learning
residual correction
ODE sampler bank
transferable residual correction
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
Measurement Guidance in Diffusion Models: Insight from Medical Image Synthesis扩散模型中的测量指导：来自医学图像合成的见解
PREAI
分享收藏
D. Liu, Q. Li, A.-D. Dinh, et al., “DiffAct++: Diffusion action segmentation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 47, no. 3, pp. 1644–1659, 2025.D. Liu, Q. Li, A.-D. Dinh, et al., “DiffAct++: 扩散动作分割,” IEEE 交易. 模式分析. 机器智能., vol. 47, no. 3, pp. 1644–1659, 2025..png)
IF0
PREAI
分享收藏
查看更多内容