11:10
官方账号arXiv cs.AI@Rajat Rasal, Avinash Kori, Tian Xia, Ben Glocker
推荐理由：想提升扩散模型的表示质量吗？这篇论文研究了训练中的重构与解耦权衡，还教你用门控残差U-Net和噪声课程来引导优化，效果不错。
SteeringDRL
共 1 条相关 AI 资讯
7月7日
11:10
论文研究了扩散自编码器在训练中优化轨迹的不同机制，发现模型会进入重构优先或解耦优先两个早期阶段。通过分析图像重建与表示质量之间的曲线，作者提出可以通过控制U-Net捷径路径和噪声级暴露来调节重构-解耦权衡。提出的SteeringDRL方法采用门控残差U-Net和噪声级课程训练，在多个解耦基准上提升了表示质量并降低了种子敏感性。该方法还扩展到目标中心学习中的空间解耦，在合成和真实数据集上改善了分割质量。