Diffusion-C: Unveiling the Generative Challenges of Diffusion Models through Corrupted Data

要約

私たちの現代的な学術的調査では、拡散モデル、特に GAN、DDPM、DDIM に類似した生成制限を分析するための基礎的な方法論である「Diffusion-C」を紹介します。
無数の破損様式と強度にさらされた入力視覚データを使用することにより、これらの拡散モデルのパフォーマンス特性を解明します。
ノイズ成分は私たちの分析で中心的な役割を果たしており、深層学習システムの仕組みに影響を与える極めて重要な要素であると仮説が立てられています。
Diffusion-C を利用した私たちの厳密な調査で、私たちは次の重要な観察結果を認識しました: (I) Diffusion 分類法に基づく生成モデルの環境内で、DDPM は模範として登場し、一貫して優れたパフォーマンス指標を示します。
(II) 広範囲にわたる破損フレームワークの中で、フォグおよびフラクタル破損は、DDPM と DDIM の両方の機能の堅牢性を著しく損なうものです。
(III) これらの特定の破損に対する拡散モデルの脆弱性は、トポロジー的および統計的類似性、特に平均と分散の間の整合性によって大きく影響されます。
この学術研究は、さまざまな腐敗の影響に関する Diffusion-C の核となる理解を強調し、生成モデルの領域における将来の研究活動の準備を整えます。

要約(オリジナル)

In our contemporary academic inquiry, we present ‘Diffusion-C,’ a foundational methodology to analyze the generative restrictions of Diffusion Models, particularly those akin to GANs, DDPM, and DDIM. By employing input visual data that has been subjected to a myriad of corruption modalities and intensities, we elucidate the performance characteristics of those Diffusion Models. The noise component takes center stage in our analysis, hypothesized to be a pivotal element influencing the mechanics of deep learning systems. In our rigorous expedition utilizing Diffusion-C, we have discerned the following critical observations: (I) Within the milieu of generative models under the Diffusion taxonomy, DDPM emerges as a paragon, consistently exhibiting superior performance metrics. (II) Within the vast spectrum of corruption frameworks, the fog and fractal corruptions notably undermine the functional robustness of both DDPM and DDIM. (III) The vulnerability of Diffusion Models to these particular corruptions is significantly influenced by topological and statistical similarities, particularly concerning the alignment between mean and variance. This scholarly work highlights Diffusion-C’s core understandings regarding the impacts of various corruptions, setting the stage for future research endeavors in the realm of generative models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google