चित्र निर्माण में, श्रॉडिंगर पुल (SB) आधारित विधियाँ सैद्धांतिक रूप से प्रसार मॉडल की तुलना में दो वितरणों के बीच सबसे कम महंगे पथ को खोजकर दक्षता और गुणवत्ता को बढ़ाती हैं। हालाँकि, जब जटिल चित्र डेटा पर लागू किया जाता है, तो ये कम्प्यूटेशनल रूप से महँगी और समय लेने वाली होती हैं। इसका कारण यह है कि वे उच्च-आयामी स्थानों में वैश्विक रूप से अनुकूलतम पथ में फिट करने पर ध्यान केंद्रित करती हैं, जटिल नेटवर्क के माध्यम से आत्म-निगरानी प्रशिक्षण का उपयोग करके पथ पर अगले चरण के रूप में सीधे चित्र उत्पन्न करती हैं, जो सामान्यतः वैश्विक सर्वोत्तम से एक अंतर पैदा करता है। इस बीच, अधिकांश प्रसार मॉडल उस पथ उपस्थान में हैं जो वजन fA (t) और fB (t) द्वारा उत्पन्न होता है, क्योंकि वे पैरेडाइम का पालन करते हैं (xₜ = fA (t) x₈₌₆ + fB (t) )। SB-आधारित विधियों के सीमाओं को संबोधित करने के लिए, यह पेपर पहली बार प्रसार पथ उपस्थान में स्थानीय प्रसार श्रॉडिंगर पुल (LDSB) खोजने का प्रस्ताव करता है, जो SB समस्या और प्रसार मॉडलों के बीच संबंध को मजबूत करता है। विशेष रूप से, हमारी विधि कोल्मोगेरॉव-आर्नोल्ड नेटवर्क (KAN) का उपयोग करके प्रसार पथों का अनुकूलन करती है, जिसका लाभ भुलाने के प्रति प्रतिरोध और निरंतर आउटपुट है। प्रयोग से पता चलता है कि हमारा LDSB चित्र निर्माण की गुणवत्ता और दक्षता में महत्वपूर्ण रूप से सुधार करता है, जबकि उपयोग किए गए पूर्व-प्रशिक्षित डीनेज़िंग नेटवर्क और अनुकूलन के लिए KAN का आकार केवल 0.1MB से कम है। FID मेट्रिक 15% से अधिक कम हो गया है, विशेष रूप से CelebA डेटासेट के लिए NFE के 5 होने पर 48.50% की कमी के साथ। कोड https://github.com/PerceptionComputingLab/LDSB पर उपलब्ध है।
Qiu et al. (बुध,) ने इस प्रश्न का अध्ययन किया।
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: