Improving Denoising Diffusion Probabilistic Models via Exploiting Shared Representations

本研究解决了有限数据下多任务图像生成的挑战，针对一类生成模型——去噪扩散概率模型（DDPM），该模型通过反转噪声扩散过程生成高质量图像。我们提出了一种新方法SR-DDPM，利用少样本学习中的基于表示的技术，能够有效地从不同任务的少量样本中学习。我们的方法包括一个核心元架构和共享参数，即具有独立参数的任务特定层。通过利用不同数据分布之间的相似性，我们的方法能够扩展到多个任务，而不会影响图像质量。我们在标准图像数据集上评估了我们的方法，并展示了它在FID和SSIM指标方面优于无条件和有条件DDPM。

本论文旨在解决多任务图像生成的挑战，特别是在数据有限的情况下，针对DDPM模型进行去噪。这是否是一个新问题？

本论文提出了一种新方法SR-DDPM，利用少样本学习中的表示学习技术，通过共享参数的核心元架构和独占参数的任务特定层来解决多任务图像生成的挑战。通过利用不同数据分布之间的相似性，实现多任务扩展而不影响图像质量。

本论文在标准图像数据集上进行了评估，表明它在FID和SSIM指标方面优于无条件和条件DDPM。实验设计了多个任务，使用了少量数据，证明了SR-DDPM的有效性。论文提出的方法可以为解决多任务图像生成问题提供新思路。

最近的相关研究包括：1.《Few-Shot Image Generation with Guided Denoising Diffusion Probabilistic Models》；2.《Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics》；3.《Multi-Task Learning with Deep Neural Networks: A Survey》。