扩散模型在3D建模领域获得突破,微软发布RodinDiffusion

 ✒️ @halomaster 📅 15 Mar 2023, 11:40 GMT⋮ 【AI】 

https://3d-avatar-diffusion.microsoft.com https://arxiv.org/pdf/2212.06135.pdf https://mp.weixin.qq.com/s/0yAokJ7E1RrEYNBUa_q-Wg 扩散模型在诸多领域都获得了突破,其基本解决了复杂过程的可微分化,把一个复杂的过程变成很多微小点阶段,每个阶段之间的差距是可以被神经网络学习的,使得深度学习的随机梯度下降算法可以发挥作用。


[1] @halomaster • 17 Mar 2023, 01:29 GMT 
扩散模型是一类基于梯度的深度生成模型,通过对数据空间中的随机游走进行建模,实现对复杂分布的建模和采样。虽然扩散模型在各种任务中取得了令人印象深刻的结果,但它们的采样过程仍然非常昂贵,需要进行多次迭代才能得到一个样本。此外,扩散模型的似然估计也存在一定的问题,使得它们在某些情况下可能不太适用。 近年来,研究人员提出了许多改进扩散模型的方法,包括采样加速增强、可能性最大化增强和数据泛化增强等。这些方法可以有效地提高扩散模型的采样速度和似然估计质量。此外,扩散模型还可以与其他生成模型(如变分自编码器、生成对抗网络、归一化流、自回归模型和基于能量的模型)结合使用,以实现更好的生成效果。 在应用方面,扩散模型已经在计算机视觉、自然语言处理、波形信号处理、多模态建模、分子图生成、时间序列建模和对抗性纯化等领域得到了广泛应用。未来,我们可以进一步探索扩散模型的潜力,尤其是在结合其他生成模型和应用领域方面的研究。


1 of 1 pages  1 replies