arXiv cs.AI· Hannah Janmohamed, Joao Correia, Penousal Machado, Antoine Cully·· 3 天前AI 评分24
扩散模型生成景观探索：光谱引导的质量-多样性扩散框架
Uncovering the Generative Landscape of Diffusion Models: A Spectral-Guided Quality-Diversity Diffusion Framework
AI 导读
研究者提出 Spectral-Guided Quality-Diversity Diffusion 框架，将质量-多样性（QD）优化与扩散模型结合，通过直接优化模型的潜在噪声和条件嵌入来发现多样且高性能的输出。
正文 · AI 翻译
摘要：去噪扩散概率模型已成为跨领域的强大生成先验，涵盖从分子设计到高分辨率图像合成的诸多方向。然而，标准扩散采样本质上偏向高似然区域，往往限制了输出的多样性。在许多领域，单个高似然样本是不够的。相反，需要多样化的高性能解组合，这促使人们开发能够揭示模型完整表达范围的方法。在此，我们表明将质量-多样性（QD）优化与扩散模型相结合，能够发现多样化且高性能的输出。我们首先提出质量-多样性扩散，这是一个通过直接优化模型的潜在噪声和条件嵌入，并利用嵌入模型量化多样性，从而将 QD 适配到扩散模型的框架。其次，我们引入一种新颖的 h 空间谱变异算子，它通过分析模型输入到激活的雅可比矩阵的主奇异向量，引导搜索沿最大语义敏感度的方向进行。我们在文本到图像生成任务上评估了我们的组合方法——谱引导质量-多样性扩散。与 12 个基线相比，我们的方法始终取得最低的 FID 分数，展现出图像质量与多样性之间的出色平衡。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.15724 [cs.LG] |
| （或 arXiv:2610.15724v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15724 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hannah Janmohamed [查看电子邮件]
[v1]
2026年10月11日星期日 16:03:52 UTC（10,718 KB）
来源：arXiv cs.AI · arxiv.org