超越组合性：DDPMs可产生零样本插值
计算机视觉与模式识别
2024-07-11 v2 人工智能
神经与进化计算
摘要
去噪扩散概率模型（DDPMs）在图像生成方面表现出惊人的能力，研究表明它们可以通过组合从训练数据中学习的潜在因素来实现泛化。在本工作中，我们进一步研究DDPMs在严格分离的数据分布子集上进行训练的情况，数据分布潜在因素之间存在较大间隙。我们展示了此类模型能够有效生成分布中未探索的中间区域的图像。例如，当在明显微笑和不微笑的面部图像上进行训练时，我们演示了一个可生成略带微笑表情的采样程序，而无需参考图像（零样本插值）。我们为其他属性以及其他数据集复制了这些发现。我们的代码可在https://github.com/jdeschena/ddpm-zero-shot-interpolation获取。
引用
@article{arxiv.2405.19201,
title = {Going beyond Compositions, DDPMs Can Produce Zero-Shot Interpolations},
author = {Justin Deschenaux and Igor Krawczuk and Grigorios Chrysos and Volkan Cevher},
journal= {arXiv preprint arXiv:2405.19201},
year = {2024}
}