本文发现由神经算子表示的过渡密度的缓和态扩散模型能够生成高质量的无限维样本。尽管在训练过程中只观察像素的子集，但样本质量与同时对所有像素进行训练的最先进的模型相比具有竞争力。先验无限维方法使用潜在条件神经场;研究结果表明，直接对原始数据进行操作的稀疏神经算子是一种可行的替代方案，通过不独立地处理所有坐标提供了显著的优势，这从FID分数显著降低就可以证明。未来的工作将受益于改进的神经算子，它可以有效地在更大的稀疏水平上运行，以进一步提高我们方法的效率。

标题：∞-Diff: Infinite Resolution Diffusion with Subsampled Mollified States

作者：Sam Bond-Taylor, Chris G. Willcocks

[Durham University]

简介：本文介绍了∞-Diff，一个直接在无限分辨率数据上运行的生成性扩散模型。在训练过程中，通过随机抽取坐标子集并学习在这些坐标上去噪，可以学习到一个连续的函数，允许在任意分辨率下取样。与其他最近的无限分辨率生成模型相比，我们的方法直接在原始数据上操作，不需要对上下文进行潜在的矢量压缩，不使用超网络，也不依赖离散成分。因此，我们的方法实现了明显更高的采样质量，如较低的FID分数，以及能够有效地扩展到比训练数据更高的分辨率，同时保留细节。

https://arxiv.org/pdf/2303.18242.pdf

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