面向 corrupted 数据集的高质量鲁棒扩散框架
计算机视觉与模式识别
2024-07-23 v2
摘要
开发在训练过程中对离群点鲁棒的图像生成模型近来引起了研究界的关注。由于将非平衡最优传输（UOT）集成到对抗框架较为容易，现有工作主要集中于为生成对抗模型（GAN）开发鲁棒框架。同时，扩散模型近来在各种任务和数据集上已超越 GAN。然而，据我们所知，尚无扩散模型对 corrupted 数据集具有鲁棒性。受 DDGAN 启发，我们的工作引入了首个对离群点鲁棒的扩散模型。我们建议将 DDGAN 中基于 UOT 的生成模型替换为学习反向扩散过程。此外，我们证明了框架中散度的 Lipschitz 性质有助于更稳定的训练收敛。值得注意的是，我们的方法不仅对 corrupted 数据集表现出鲁棒性，还在干净数据集上取得了更优性能。
引用
@article{arxiv.2311.17101,
title = {A High-Quality Robust Diffusion Framework for Corrupted Dataset},
author = {Quan Dao and Binh Ta and Tung Pham and Anh Tran},
journal= {arXiv preprint arXiv:2311.17101},
year = {2024}
}
备注
ECCV 2024