判别器引导扩散模型中的暴露偏差缓解
计算机视觉与模式识别
2023-11-21 v1 人工智能
机器学习
摘要
扩散模型在图像生成中展现了卓越性能。然而，其训练所需的高计算需求促使人们持续努力通过改进采样过程来提升生成图像的质量。一种近期方法，称为判别器引导（Discriminator Guidance），试图通过引入由判别器网络导出的辅助项，来弥合模型分数与数据分数之间的差距。我们表明，尽管该技术显著改善了样本质量，但并未解决持续存在的暴露偏差（Exposure Bias）问题，并且我们提出了 SEDM-G++，其结合了改进的采样方法，将判别器引导与 Epsilon Scaling 相融合。我们所提方法超越了当前最先进水平，在无条件 CIFAR-10 数据集上取得了 1.73 的 FID 分数。
引用
@article{arxiv.2311.11164,
title = {Mitigating Exposure Bias in Discriminator Guided Diffusion Models},
author = {Eleftherios Tsonis and Paraskevi Tzouveli and Athanasios Voulodimos},
journal= {arXiv preprint arXiv:2311.11164},
year = {2023}
}