微信&中山大学提出SingDiffusion: 可无缝应用到SD和ControlNet中,SD1.5图像生成质量提升33%

文章预览

扩散模型凭借其在图像生成方面的出色表现，开启了生成式模型的新纪元。诸如Stable Diffusion，DALLE，Imagen，Sora等大模型涌现，进一步丰富了生成式 AI 的应用前景。 然而，当前的扩散模型在理论上并非完美，比如采样时间端点处未定义的奇点问题。会影响扩散模型的生成能力，导致模型出现平均灰度问题，即难以生成亮度强或者弱的图像，这在一定程度上也限制了当前扩散模型的应用范围。 针对此问题，微信视觉算法团队和中山大学联合提出了一个即插即用的方法SingDiffusion，该方法成功解决了平均灰度问题，显著提升了现有扩散模型的生成能力。这一研究成果已在 CVPR 2024 会议上发表。 项目地址：https://github.com/PangzeCheung/SingDiffusion 论文链接：https://arxiv.org/abs/2403.08381 论文阅读 解决扩散模型中时间间隔端点的奇异性 摘要 大多数扩散模型假设逆过 ………………………………