[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Improved DDIM Sampling with Moment Matching Gaussian Mixtures

Created by
  • Haebom

作者

Prasad Gabbur

概要

本論文は、ノイズ除去拡散確率モデル（DDPM）における事前訓練モデルからの加速サンプリングのための広く使用されている方法の1つであるノイズ除去拡散暗黙モデル（DDIM）フレームワーク内で、ガウス混合モデル（GMM）を逆転移演算子（カーネル）として使用することを提案しています。具体的には、GMMのパラメータを制約して、DDPM順方向周囲確率の1次および2次中心モーメントを一致させます。実験結果は、ガウスカーネルを使用する既存のDDIMと同等またはより良い品質のサンプルを得るためにモーメントマッチングが十分であることを示している。 CelebAHQおよびFFHQで訓練された無条件モデルとImageNetデータセットで訓練された条件付きモデルを使用して実験結果を提示します。結果は、サンプリングステップ数が少ない場合にGMMカーネルを使用すると、FIDおよびIS指標で測定したときに生成されるサンプルの品質が大幅に向上することを示唆しています。たとえば、ImageNet 256x256で10のサンプリングステップを使用すると、GMMカーネルを使用してFID 6.94およびIS 207.85を達成し、ガウスカーネルを使用した場合はそれぞれ10.15および196.73を達成しました。

Takeaways、Limitations

•
Takeaways：
◦
DDIM で GMM を逆遷移演算子として使用すると、少ないサンプリングステップでも高品質のサンプル生成が可能であることがわかります。
◦
モーメントマッチング技術により、DDPMの順方向周辺確率とGMMを効果的に接続し、パフォーマンスの向上を導きました。
◦
ImageNetのような大規模なデータセットでの実験を通して提案方法の卓越性を検証した。
•
Limitations：
◦
GMMのパラメータを制約する方法は、特定の問題にのみ適用可能です。
◦
提案された方法の一般化性能に関するさらなる研究が必要です。
◦
さまざまなデータセットとモデルの追加の実験が必要です。
👍
Made with Slashpage