Diffusion-C：通过受损数据揭示扩散模型的生成挑战
机器学习
2023-12-15 v1 人工智能
计算机视觉与模式识别
摘要
在我们当代的学术研究中，我们提出了“Diffusion-C”，一种基础方法论，用于分析 Diffusion Models 的生成限制，特别是类似于 GANs、DDPM 和 DDIM 的模型。通过使用受到多种损坏模式和强度的输入视觉数据，我们阐明了这些 Diffusion Models 的性能特征。噪声成分在我们的分析中占据核心地位，被假设为影响深度学习系统机制的关键要素。在使用 Diffusion-C 进行的严谨探索中，我们发现了以下关键观察：(I) 在 Diffusion 分类下的生成模型中，DDPM 表现卓越，持续展现出优越的性能指标。(II) 在广泛的损坏框架中，雾和分形损坏显著削弱了 DDPM 和 DDIM 的功能鲁棒性。(III) Diffusion Models 对这些特定损坏的脆弱性受拓扑和统计相似性的显著影响，特别是均值与方差之间的一致性。本学术工作强调了 Diffusion-C 对各种损坏影响的核心理解，为生成模型领域的未来研究奠定了基础。
引用
@article{arxiv.2312.08843,
title = {Diffusion-C: Unveiling the Generative Challenges of Diffusion Models through Corrupted Data},
author = {Keywoong Bae and Suan Lee and Wookey Lee},
journal= {arXiv preprint arXiv:2312.08843},
year = {2023}
}
备注
11 pages