Ambient Diffusion：從受損數(shù)據(jù)中學(xué)習(xí)干凈分布的創(chuàng)新方法

　　Ambient Diffusion 是一種能夠從損壞數(shù)據(jù)中學(xué)習(xí)干凈分布的創(chuàng)新方法，為科學(xué)應(yīng)用中無法獲得未損壞樣本的問題提供了解決方案。該框架不僅適用于學(xué)習(xí)分布，還可以訓(xùn)練生成模型，避免記憶訓(xùn)練樣本。

　　研究人員通過在擴(kuò)散過程中引入額外的測量失真，進(jìn)一步破壞原始扭曲圖像，并挑戰(zhàn)模型從其他扭曲圖像中預(yù)測原始扭曲圖像。

　　研究表明，即使訓(xùn)練樣本中有90% 的像素丟失，模型仍然可以學(xué)習(xí)到原始圖片的分布。該方法還可以用于改進(jìn)標(biāo)準(zhǔn)預(yù)訓(xùn)練擴(kuò)散模型，并可以在幾個小時內(nèi)在單個 GPU 上完成微調(diào)過程。

　　它通過引入額外的測量失真和條件期望學(xué)習(xí)的方式，能夠適應(yīng)各種失真過程，并在高度損壞的樣本中實現(xiàn)準(zhǔn)確的學(xué)習(xí)。此外，該框架還具有良好的可擴(kuò)展性，支持在常用數(shù)據(jù)集上進(jìn)行訓(xùn)練，并能夠處理大規(guī)模的損壞數(shù)據(jù)。

　　核心功能:

　　1. 學(xué)習(xí)未知分布:通過引入額外的測量失真，訓(xùn)練模型預(yù)測原始損壞圖像。

　　2.條件期望學(xué)習(xí):使用任何滿足一些技術(shù)條件的失真過程訓(xùn)練模型，可以學(xué)習(xí)到給定附加測量損壞的完整未損壞圖像的條件期望。

　　3. 應(yīng)用范圍廣泛:支持包括修復(fù)和壓縮感知在內(nèi)的各種損壞過程。

　　4. 可擴(kuò)展性:支持在標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行訓(xùn)練，并能夠在所有訓(xùn)練樣本中有90% 像素丟失的情況下學(xué)習(xí)分布。