.png){kind=icon}
返回
ODE-based generative modeling: Learning from a single natural image
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127185.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
单图像生成旨在从单幅自然图像中学习内部统计分布，以生成任意尺度的多样化样本，作为图像编辑任务的一种工具。现有方法在训练和多阶段采样中均采用相同的金字塔结构，以确保生成模型的稳定性。然而，这些方法在金字塔的每一层采样单幅图像时，会导致大量的采样时间步和额外的噪声。在本工作中，我们提出了一种基于常微分方程（ODE）的单图像生成模型，称为SinODE。它不依赖于重复的多阶段采样过程，而是将单图像采样重新表述为一个统一的积分框架，减少采样次数的同时消除了不必要的噪声注入。为此，我们构建了连接高斯噪声和缩放图像的直线路径，并采用多重分段积分机制生成样本。此外，我们的方法可以利用外部文本控制生成方向，生成个性化新内容或风格，而无需模型微调。SinODE也可轻松应用于其他图像编辑任务，如图像风格迁移和图像和谐化。大量实验表明，SinODE超越了当前的最优方法，能够生成高质量且具有卓越多样性的样本。
Keyword:
Single image generation
Diffusion models
Generative adversarial network
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
Optimized single-image super-resolution reconstruction: A multimodal approach based on reversible guidance and cyclical knowledge distillation优化的单幅图像超分辨率重建: 基于可逆引导和循环知识蒸馏的多模态方法
PREAI
分享收藏
查看更多内容