Generalised Scale-Space Properties for Probabilistic Diffusion Models

要約

確率的拡散モデルは、深層学習コミュニティで人気が高まっています。
それらは、幅広い実用的なアプリケーションで、入力画像の学習された分布から説得力のあるサンプルを生成します。
もともと、これらのアプローチはドリフト拡散プロセスから動機付けられていましたが、これらの起源は、最近の実践志向の出版物ではあまり注目されていません。
スケール空間研究の観点から確率的拡散モデルを調査し、進化する確率分布で一般化されたスケール空間特性を満たすことを示します。
さらに、深層学習とモデルベースの世界におけるドリフト拡散の物理的コア概念の解釈間の類似点と相違点についても説明します。
この目的のために、確率論的拡散と浸透フィルターとの関係を調べます。

要約(オリジナル)

Probabilistic diffusion models enjoy increasing popularity in the deep learning community. They generate convincing samples from a learned distribution of input images with a wide field of practical applications. Originally, these approaches were motivated from drift-diffusion processes, but these origins find less attention in recent, practice-oriented publications. We investigate probabilistic diffusion models from the viewpoint of scale-space research and show that they fulfil generalised scale-space properties on evolving probability distributions. Moreover, we discuss similarities and differences between interpretations of the physical core concept of drift-diffusion in the deep learning and model-based world. To this end, we examine relations of probabilistic diffusion to osmosis filters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google