dc.contributor.author | Τσώνης, Ελευθέριος![]() |
el |
dc.contributor.author | Tsonis, Eleftherios![]() |
en |
dc.date.accessioned | 2024-05-21T07:46:38Z | |
dc.date.available | 2024-05-21T07:46:38Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/59410 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.27106 | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.subject | Diffusion models | en |
dc.subject | Score-Based generative models | en |
dc.subject | Stochastic differential equations | en |
dc.subject | Generative AI | en |
dc.subject | Image generation | en |
dc.subject | Computer vision | en |
dc.subject | Μοντέλα διάχυσης | el |
dc.subject | Score-Based παραγωγικά μοντέλα | el |
dc.subject | Στοχαστικές διαφορικές εξισώσεις | el |
dc.subject | Παραγωγή εικόνων | el |
dc.subject | Όραση Υπολογιστών | el |
dc.title | Mitigating exposure bias in discriminator guided diffusion models | en |
heal.type | bachelorThesis | |
heal.classification | Computer Vision | en |
heal.language | en | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2023-11-01 | |
heal.abstract | Diffusion Models have demonstrated remarkable performance in image generation. However, their demanding computational requirements for training have prompted ongoing efforts to enhance the quality of generated images through modifications in the sampling process. A recent approach, known as Discriminator Guidance, seeks to bridge the gap between the model score and the data score by incorporating an auxiliary term, derived from a discriminator network. We show that despite significantly improving sample quality, this technique has not resolved the persistent issue of Exposure Bias. Exposure bias refers to the discrepancy between the input data during training and inference phases and leads to diminished sample quality in diffusion models. We propose SEDM-G++, which incorporates a modified sampling approach, combining Discriminator Guidance and Epsilon Scaling. Our proposed framework outperforms the current state-of-the-art in unconditional image generation. | en |
heal.abstract | Τα μοντέλα διάχυσης έχουν επιδείξει αξιοσημείωτες επιδόσεις στη δημιουργία εικόνων. Ωστόσο, οι υψηλές υπολογιστικές απαιτήσεις τους για εκπαίδευση έχουν οδηγήσει σε συνεχείς προσπάθειες βελτίωσης της ποιότητας των παραγόμενων εικόνων μέσω τροποποιήσεων στη διαδικασία δειγματοληψίας. Μια πρόσφατη προσέγγιση, γνωστή ως Καθοδήγηση Διαχωριστή, επιδιώκει να γεφυρώσει το χάσμα μεταξύ του score του μοντέλου και του score των δεδομένων, ενσωματώνοντας έναν βοηθητικό όρο, που προέρχεται από ένα δίκτυο διαχωριστή. Δείχνουμε ότι παρά τη σημαντική βελτίωση στην ποιότητα των δειγμάτων, η τεχνική αυτή δεν έχει επιλύσει το ζήτημα της μεροληψίας έκθεσης. Η μεροληψία έκθεσης αναφέρεται στην διαφορά μεταξύ των δεδομένων εισόδου κατά τη φάση εκπαίδευσης και τη φάση δειγματοληψίας και οδηγεί σε μειωμένη ποιότητα δειγμάτων στα μοντέλα διάχυσης. Προτείνουμε το SEDM-G++, το οποίο ενσωματώνει μια τροποποιημένη προσέγγιση δειγματοληψίας, συνδυάζοντας την Καθοδήγηση Διαχωριστή και την Κλιμάκωση Έψιλον. Η προτεινόμενη προσέγγισή μας ξεπερνάει το τρέχον state-of-the-art στη δημιουργία συνθετικών εικόνων. | el |
heal.advisorName | Βουλόδημος, Αθανάσιος | el |
heal.committeeMemberName | Στάμου, Γεώργιος | el |
heal.committeeMemberName | Κόλλιας, Στέφανος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Υπολογιστικών Συστημάτων | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 105 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: