BGDB：结合改进去噪扩散概率模型的伯努利-高斯决策块
计算机视觉与模式识别
2024-09-23 v1
摘要
生成模型可以通过构建复杂的特征空间来增强判别式分类器，从而提高在复杂数据集上的性能。传统方法通常通过更详细的特征表示来扩充数据集，或增加维度以使非线性数据线性可分。仅利用生成模型进行特征空间处理无法充分发挥其在分类器中的潜力，并且通常缺乏坚实的理论基础。我们的方法基于一个新颖的假设：从单次模型训练中得出的概率信息 (logit) 可用于生成等效的多次训练。利用中心极限定理，这种合成的概率信息有望更准确地收敛于真实概率。为了实现这一目标，我们提出了伯努利-高斯决策块 (BGDB)，这是一个受中心极限定理和多次伯努利试验的均值近似于单次试验成功概率概念启发的新颖模块。具体而言，我们利用改进去噪扩散概率模型 (IDDPM) 对伯努利试验的概率进行建模。我们的方法将重点从重建特征转移到重建 logit，将单次迭代的 logit 转换为类似于多次实验的 logit。我们通过数学分析提供了该方法的理论基础，并通过在用于多种成像任务（包括分类和分割）的多个数据集上的实验评估验证了其有效性。
引用
@article{arxiv.2409.13116,
title = {BGDB: Bernoulli-Gaussian Decision Block with Improved Denoising Diffusion Probabilistic Models},
author = {Chengkun Sun and Jinqian Pan and Russell Stevens Terry and Jiang Bian and Jie Xu},
journal= {arXiv preprint arXiv:2409.13116},
year = {2024}
}