09:23
官方账号arXiv cs.LG@Peizhuo Li, Emre Aksan, Alexandru-Eugen Ichim, Thabo Beeler, Olga Sorkine-Hornung
推荐理由：想在不重训模型的情况下让扩散模型生成更多样化的结果？这篇论文给出了一个简单有效的技巧：温度采样配合时间偏移，在DiT、Stable Diffusion上都有效果。
Motion Diffusion
共 1 条相关 AI 资讯
7月14日
09:23
该论文提出一种无需重新训练的推理方法，通过温度采样（γ<1）和方差校正时间偏移来提升扩散模型的输出多样性。核心思想是：对分数进行γ缩放虽能重加权模式，但会膨胀每模式的方差；而在偏移的时间步查询网络并缩放分数，可抵消方差膨胀。在DiT、Stable Diffusion和Motion Diffusion模型上验证了该方法能一致提升多样性，同时保持样本质量和条件保真度。论文还发现时间干预时机可实现粗到细控制：高噪声阶段驱动跨模式的组合多样性，低噪声阶段驱动固定组合下的局部外观变化。