DDPM 相关 AI 资讯 · AI 热点

7月29日

11:24

11:24

官方账号arXiv cs.LG@Daniel Kua, Yan Song

该论文评估了四种深度生成模型（Flow Matching, DDPM, Score-SDE, VAE）在已知非平稳高斯随机场上的表现。所有四种模型都能恢复均值面，但协方差恢复差异显著：DDPM和Score-SDE效果较好，Flow Matching的非平稳性轻度衰减且方差轻微欠散，VAE难以恢复协方差结构。研究还基于ERA5温度异常数据验证了该评估框架在复杂时空数据中的实用性。

论文 DDPM Score-SDE Flow Matching

推荐理由：这篇论文对比了DDPM、Score-SDE、FM和VAE在非平稳场上的表现，告诉你哪个模型能更好还原协方差结构，适合关心生成模型统计特性的人。

5月19日

11:17

11:17

官方账号arXiv cs.LG@Yuta Koike

精选

该论文从 Föllmer 过程视角重新分析了去噪扩散概率模型（DDPM）的采样误差，在 2-Wasserstein 距离下给出了更紧的误差上界。主要贡献包括：在 Lipschitz 型分数函数假设下，对余弦调度等方差调度方案建立了维度与步数最优的误差界；证明了这些条件蕴含对数 Sobolev 不等式，从而将 KL 散度的最优误差界转化为 Wasserstein 界；对于一般对数凹目标分布，即使不满足二次运输成本不等式，也能达到最优 Wasserstein 误差界。该工作统一并改进了现有文献中的多个误差界结果。

论文扩散模型 DDPM 采样误差界

推荐理由：做扩散模型理论或采样加速的读者值得关注——这篇用 Föllmer 过程替代传统反向 OU 过程，给出了更紧的 Wasserstein 误差界，对理解 DDPM 的采样质量与步数关系有直接帮助。