论文标题： Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise

论文链接：https://arxiv.org/abs/2208.09392

代码链接：https://github.com/arpitbansal297/Cold-Diffusion-Models

作者单位：马里兰大学

标准扩散模型涉及图像变换（添加高斯噪声）和反转这种退化的图像恢复算子。 我们观察到扩散模型的生成行为并不强烈依赖于图像退化的选择，实际上可以通过改变这个选择来构建整个生成模型家族。 即使使用完全确定性的降级（例如模糊、掩蔽等），作为扩散模型基础的训练和测试时更新规则也可以很容易地泛化以创建生成模型。 这些完全确定性模型的成功引发了社区对扩散模型的理解的质疑，扩散模型依赖于梯度朗之万动力学或变分推理中的噪声，并为反转任意过程的广义扩散模型铺平了道路。

内容中包含的图片若涉及版权问题，请及时与我们联系删除