D2C：用于少样本条件生成的扩散去噪模型
机器学习
2021-06-15 v1 人工智能
计算机视觉与模式识别
摘要
高维图像的条件生成模型有许多应用，但从条件到图像的监督信号获取成本可能很高。本文描述了具有对比表示的扩散解码模型（D2C），这是一种用于训练无条件变分自编码器（VAE）以实现少样本条件图像生成的范式。D2C 在潜变量表示上使用基于学习的扩散先验来改进生成，并使用对比自监督学习来提高表示质量。通过从少至 100 个标注样本中学习，D2C 可以适应以标签或操控约束为条件的新生成任务。在基于新标签的条件生成上，D2C 优于最先进的 VAE 和扩散模型。在条件图像操控上，D2C 生成比 StyleGAN2 快两个数量级，并在双盲研究中被 50%–60% 的人类评估者偏好。
引用
@article{arxiv.2106.06819,
title = {D2C: Diffusion-Denoising Models for Few-shot Conditional Generation},
author = {Abhishek Sinha and Jiaming Song and Chenlin Meng and Stefano Ermon},
journal= {arXiv preprint arXiv:2106.06819},
year = {2021}
}