用于无监督图像生成与分割的分解扩散架构
计算机视觉与模式识别
2023-12-12 v2 机器学习
摘要
我们开发了一种神经网络架构，其作为去噪扩散模型以无监督方式进行训练，同时学习生成和分割图像。学习完全由去噪扩散目标驱动，训练过程中无任何标注或关于区域的先验知识。构建于神经架构中的计算瓶颈鼓励去噪网络将输入划分为区域、并行去噪并合并结果。我们训练好的模型生成合成图像，并且通过简单检查其内部预测的划分，生成这些图像的语义分割。无需任何微调，我们直接将无监督模型应用于通过加噪并随后去噪真实图像来分割真实图像的下游任务。实验表明，我们的模型在多个数据集上实现了准确的无监督图像分割和高质量的合成图像生成。
引用
@article{arxiv.2309.15726,
title = {Factorized Diffusion Architectures for Unsupervised Image Generation and Segmentation},
author = {Xin Yuan and Michael Maire},
journal= {arXiv preprint arXiv:2309.15726},
year = {2023}
}