محققان در مقالهای جدید، راهکاری خلاقانه برای بهبود مدلهای نفوذی (Diffusion Models) ارائه دادند که بدون نیاز به آموزش مجدد، کیفیت خروجی آنها را بهطرز محسوسی افزایش میدهد.
این روش با بهرهگیری از ابزاری ریاضی به نام «بسط کارونن-لوئف» (KL expansion)، نویز مدل را دقیقتر تنظیم میکند و مشکل رایجِ «عدم تطابق آموزش و نمونهبرداری» را حل میکند. جالب اینجاست که در تستهای انجام شده روی مدلهای معروفی مثل Stable Diffusion و ImageNet، این روش بهخوبی نقطه بهینه را پیدا کرده و کیفیت تولید تصویر را بهبود بخشیده است.
یک قدم رو به جلو برای مدلهای تولیدی که باعث میشه تصاویر دقیقتر و باکیفیتتری بدون صرف هزینه آموزشی سنگین داشته باشیم!
منبع: arXiv Computer Vision