Melhorando a Resistência à Corupção de Dados dos Modelos de Difusão usando Perda Pseudo-Huber Programada

Modelos de difusão são conhecidos por serem vulneráveis a outliers nos dados de treinamento. Neste artigo, estudamos uma função de perda de difusão alternativa, que pode preservar a alta qualidade dos dados gerados, como a perda quadrada original L₂, enquanto ao mesmo tempo é robusta a outliers. Propondo usar a função de perda pseudo-Huber com um parâmetro dependente do tempo, permitimos uma compensação entre robustez nos passos mais vulneráveis de reversão de difusão e restauração de detalhes finos nos passos finais. Mostramos que a perda pseudo-Huber com o parâmetro dependente do tempo apresenta melhor desempenho em conjuntos de dados corrompidos, tanto nos domínios de imagem quanto de áudio. Além disso, a função de perda que propomos pode potencialmente ajudar os modelos de difusão a resistir à corrupção de conjuntos de dados, sem exigir filtragem ou purificação dos dados em comparação com algoritmos de treinamento convencionais.