Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #14663

diffusion models

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

4

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

StruPO: редактор подсказок с учётом структуры, повышающий достоверность при текст→изображение

Авторы предлагают StruPO — редактор подсказок, учитывающий структуру сцены через калиброванный граф сцены для покомпонентного редактирования подсказки (удаление, перестановка, вставка) и обучаемый с помощью образно-обоснованного контроля и плавного формирования награды. На трёх независимых наборах по 2K подсказок, четырёх зафиксированных генераторах и в 15-аннотаторовом исследовании StruPO демонстрирует улучшения в балансе эстетики и структурной достоверности без итеративного цикла критики и переписывания.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Correction Training для моделей диффузии (arXiv:2610.14136v2)

В работе предложен обучаемый «корректор», который обучается на предсказаниях базового денойзера, чтобы сократить разрыв между обучением и выводом, вызванный exposure bias при итеративной выборке диффузионных моделей. Корректор итеративно уточняет предсказание на каждом шаге денойзинга; при оценке на DiT, SiT и JiT метод значительно улучшает FID для негайдированной и безусловной генерации, даёт сопоставимые с CFG результаты, может сочетаться с CFG для увеличения разнообразия и позволяет устранить дополнительную стоимость вывода посредством дистилляции обратно в базовую модель.

7.0

RESEARCH · 1 ИСТОЧН. · Apple Machine Learning Research

Представлена Normalizing Trajectory Models (NTM): метод генерации с немногими шагами и точной правдоподобием

Исследователи (Jiatao Gu и др.) предлагают Normalizing Trajectory Models (NTM), где каждый обратный шаг моделируется как условный нормализующий поток и обучается с точной вероятностью траектории. NTM объединяет мелкие обратимые блоки на каждом шаге с глубоким параллельным предиктором по траектории, может обучаться с нуля или инициализироваться из pretrained flow-matching моделей, и позволяет самодистилляцию, дающую качественные образцы за четыре шага на задачах text-to-image при сохранении точного правдоподобия траектории.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Проекция во время вывода для физически корректных биомолекулярных диффузионных моделей в стиле AlphaFold 3 (arXiv:2610.07037v1)

В работе физическая корректность рассматривается как задача вынужденного вывода; предложены два замкнутых оператора проекции — межцепочечная ван-дер-Ваальсова проекция и проекция геометрии расстояний лиганда — применяемые к денойзнутой оценке координат (x̂0). Операторы локальны, разрежены, ограничены по смещению, не требуют вызовов сети или градиентов и — при применении к Boltz-2 и OpenFold-3 на пяти наборах (CASP15, CASP16, PoseBusters для мономеров и комплексов и тест Boltz) — восстанавливают полную физическую корректность, сохраняя точность структур и положение лиганда с незначительными затратами времени и памяти.

7.0