扩散域扩展: 学习协调预训练扩散模型的方法
机器学习
2026-05-25 v1
摘要
本文提出扩散域扩展 (DDE)，一种高效扩展预训练扩散模型以生成更大对象并处理其原始能力之外的更复杂条件的方法。我们的方法采用一种紧凑的可训练网络，用于协调预训练扩散模型的去噪输出。我们演示了协调器可以是通用简单的，同时能够在其训练期间观察到的更大范围内进行泛化。我们在长音频轨道生成和条件图像生成上评估了 DDE，展示了其在多个领域的适用性。DDE 在定性和定量评估中优于其他协调扩散模型的协同生成方法。
引用
@article{arxiv.2605.23275,
title = {Diffusion Domain Expansion: Learning to Coordinate Pre-trained Diffusion Models},
author = {Egor Lifar and Semyon Savkin and Timur Garipov and Shangyuan Tong and Tommi Jaakkola},
journal= {arXiv preprint arXiv:2605.23275},
year = {2026}
}
备注
Accepted as poster at ICML 2024 Workshop on Structured Probabilistic Inference and Generative Modeling (SPIGM)