ओवरलैप ऑप्टिमाइजेशन के माध्यम से कक्षा-imbalance डिफ्यूजन मॉडल का प्रशिक्षण

डिफ्यूजन मॉडल ने हाल ही में उच्च गुणवत्ता वाली छवि संश्लेषण और संबंधित कार्यों में महत्वपूर्ण प्रगति की है। हालाँकि, वास्तविक दुनिया के डेटा सेट पर प्रशिक्षित डिफ्यूजन मॉडल, जो अक्सर लॉन्ग-टेल वितरण का पालन करते हैं, पूंछ वर्गों के लिए खराब गुणवत्ता प्रदान करते हैं। गहरे जनरेटिव मॉडल, जिसमें डिफ्यूजन मॉडल शामिल हैं, उन वर्गों की ओर पूर्वाग्रहित होते हैं जिनमें प्रचुर मात्रा में प्रशिक्षण छवियाँ होती हैं। दुर्लभ वर्गों और पूंछ वर्गों की संश्लेषित छवियों के बीच देखी गई उपस्थिति ओवरलैप को संबोधित करने के लिए, हम विभिन्न वर्गों के लिए सिंथेटिक छवियों के वितरण के बीच ओवरलैप को न्यूनतम करने के लिए तुलनाात्मक शिक्षा के आधार पर एक विधि का प्रस्ताव करते हैं। हम दिखाते हैं कि हमारी संभावनाश्रित तुलना शिक्षण विधि के रूपांतर किसी भी वर्ग की शर्तात्मक डिफ्यूजन मॉडल पर लागू की जा सकती हैं। हम लॉन्ग-टेल वितरण वाले विभिन्न डेटा सेटों का उपयोग करते हुए छवि संश synthesis में महत्वपूर्ण सुधार दिखाते हैं। व्यापक प्रयोगात्मक परिणाम दर्शाते हैं कि प्रस्तावित विधि डिफ्यूजन-आधारित उत्पादन और वर्गीकरण मॉडल के लिए असंतुलित डेटा को प्रभावी ढंग से संभाल सकती है। हमारा कोड और डेटासेट सार्वजनिक रूप से उपलब्ध होगा https://github.com/yanliang3612/DiffROP पर।