Generalised Probabilistic Diffusion Scale-Spaces

要約

確率的拡散モデルは、学習された分布から新しい画像をサンプリングすることに優れています。
元々は物理学からのドリフト拡散の概念を動機としており、順方向プロセスでノイズやブラーなどの画像の摂動を適用し、扱いやすい確率分布をもたらします。
対応する学習された逆プロセスにより画像が生成され、サイド情報に基づいて条件付けすることができるため、さまざまな実用化につながります。
現在、研究のほとんどは実践指向の拡張に焦点を当てています。
対照的に、理論的背景、特にドリフト拡散との関係はほとんど解明されていない。
古典的な画像フィルタリングとのこれらの関係を明らかにするために、確率的拡散モデルのための一般化されたスケール空間理論を提案します。
さらに、拡散フィルターと浸透フィルターとの概念的および経験的なつながりを示します。

要約(オリジナル)

Probabilistic diffusion models excel at sampling new images from learned distributions. Originally motivated by drift-diffusion concepts from physics, they apply image perturbations such as noise and blur in a forward process that results in a tractable probability distribution. A corresponding learned reverse process generates images and can be conditioned on side information, which leads to a wide variety of practical applications. Most of the research focus currently lies on practice-oriented extensions. In contrast, the theoretical background remains largely unexplored, in particular the relations to drift-diffusion. In order to shed light on these connections to classical image filtering, we propose a generalised scale-space theory for probabilistic diffusion models. Moreover, we show conceptual and empirical connections to diffusion and osmosis filters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google