作者: Jonathan Ho, Ajay Jain, Pieter Abbeel
提交日期: 2020年6月19日 (v1)，2020年12月16日修订 (v2)
主题分类: Machine Learning (cs.LG); Machine Learning (stat.ML)
摘要:
我们展示了使用扩散概率模型（一种受非平衡热力学启发的潜变量模型）生成的高质量图像合成结果。我们的最佳结果是通过训练一个加权的变分下界获得的，该下界的设计基于扩散概率模型与基于朗之万动力学的去噪分数匹配之间的新颖联系。我们的模型自然地允许一种渐进的有损解压缩方案，这可以解释为自回归解码的泛化。在无条件CIFAR10数据集上，我们获得了9.46的Inception分数和3.17的当前最优FID分数。在256x256 LSUN数据集上，我们获得了与ProgressiveGAN相当的样本质量。我们的实现可在 https://github.com/hojonathanho/diffusion 获取。