扩散模型在图像合成上击败GAN

Prafulla Dhariwal; Alex Nichol

扩散模型在图像合成上击败GAN

机器学习 2021-06-02 v4 人工智能计算机视觉与模式识别机器学习

作者: Prafulla Dhariwal , Alex Nichol

摘要

我们表明扩散模型可以实现优于当前最先进生成模型的图像样本质量。我们在无条件图像合成上通过一系列消融实验找到更好的架构来实现这一点。对于条件图像合成，我们通过分类器引导进一步改善样本质量：一种简单、计算高效的方法，利用分类器的梯度来权衡多样性与保真度。我们在ImageNet 128 $\times$ 128上取得2.97的FID，在ImageNet 256 $\times$ 256上取得4.59，在ImageNet 512 $\times$ 512上取得7.72，并且即使每样本仅用少至25次前向传播也与BigGAN-deep相当，同时保持更好的分布覆盖。最后，我们发现分类器引导与上采样扩散模型结合良好，在ImageNet 256 $\times$ 256上将FID进一步提升至3.94，在ImageNet 512 $\times$ 512上提升至3.85。我们在https://github.com/openai/guided-diffusion发布了代码。

关键词

扩散模型生成对抗网络（GAN）图像合成分类器引导 ImageNet FID 上采样

引用

@article{arxiv.2105.05233,
  title  = {Diffusion Models Beat GANs on Image Synthesis},
  author = {Prafulla Dhariwal and Alex Nichol},
  journal= {arXiv preprint arXiv:2105.05233},
  year   = {2021}
}

备注

Added compute requirements, ImageNet 256$\times$256 upsampling FID and samples, DDIM guided sampler, fixed typos

扩散模型在图像合成上击败GAN

摘要

关键词

引用

备注

相关论文