Diffusion models with location-scale noise

要約

【タイトル】
– Diffusion models with location-scale noise

【要約】
– 「拡散モデル(DMs)」は、データにGaussianノイズを加え、それを除去することを学ぶことができる強力な生成モデルです。
– DMsが非Gaussianノイズを処理することができるのか、またどのノイズ分布がDMsでより良いデータ生成をもたらすかを調べたいと思いました。
– DMsはデザイン上、非Gaussianノイズとはうまく機能しないため、非Gaussian location-scaleノイズを用いた拡散プロセスを逆にすることができるフレームワークを構築しました。
– このフレームワークを使用して、ガウス分布がLaplace、Uniform、t、Generalized-Gaussianなどの幅広い分布よりも最良であることを示しました。

要約(オリジナル)

Diffusion Models (DMs) are powerful generative models that add Gaussian noise to the data and learn to remove it. We wanted to determine which noise distribution (Gaussian or non-Gaussian) led to better generated data in DMs. Since DMs do not work by design with non-Gaussian noise, we built a framework that allows reversing a diffusion process with non-Gaussian location-scale noise. We use that framework to show that the Gaussian distribution performs the best over a wide range of other distributions (Laplace, Uniform, t, Generalized-Gaussian).

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI