分享简介

最近，我们见证了由物理启发的深度生成模型的大放异彩，比如生成高清图片、3D模型、蛋白质等。本次分享我将会介绍其中两种表现最好的生成模型，分别是基于热力学的扩散模型（diffusion model）和基于静电学的泊松流模型（PFGM）。本次分享将会梳理他们的发展，并且介绍一个更宽泛的扩展柏松流模型（PFGM++）框架。我还会讨论如何根据具体的任务来选择合适的生成模型。

分享大纲

(1) 生成模型概述

(2) 泊松流模型(PFGM)

(3) 对扩展泊松流模型 (PFGM++)的介绍

(4) 物理过程能否提供给我们更多新的生成模型？

主讲人介绍

许逸伦是麻省理工学院（MIT）电子与计算机科学（EECS）系三年级在读博士生，师从Tommi Jaakkola教授。他本科就读于北京大学的图灵班。许逸伦的研究方向为机器学习，目前主要关注更高效、更可控的生成模型。他在国际人工智能顶级会议（如ICML、NeurIPS和ICLR等）上发表了十余篇文章，并多次获得口头报告的机会。个人主页：https://yilun-xu.com

直播信息

直播时间：

2023年5月14日（周日）  早晨10:00-12:00

推荐资源

生成模型概览 (swarma.org)：https://campus.swarma.org/course/5089

https://calvinyluo.com/2022/08/26/diffusion-tutorial.html

推荐文献

Song, Y., & Ermon, S. (2019). “Generative Modeling by Estimating Gradients of the Data Distribution.” Neural Information Processing Systems“

推荐语：估计数据分布梯度：如何克服现有生成式模型的缺陷

Ho, J. C., Jain, A et al. (2020b). “Denoising Diffusion Probabilistic Models.” ArXiv

推荐语：AI绘画的基石: DDPM(Denoising Diffusion Probabilistic Model)

Song, Y., Sohl-Dickstein, J., Kingma et al. (2021). “Score-Based Generative Modeling through Stochastic Differential Equations.” International Conference on Learning Representations(ICLR)

推荐语：本研究构建了一个相当一般化的生成扩散模型理论框架，将 DDPM、SDE、ODE 等诸多结果联系了起来。

Karras, T., Aittala et al.(2022). “Elucidating the Design Space of Diffusion-Based Generative Models.” ArXiv .

推荐语：这篇论文将先前的研究组织成一个连贯的共同框架，以促成新的建模改进。对基于扩散过程的模型的理解和实现做出了重要贡献。

Xu, Y., Liu Z. et al (2023). “Poisson Flow Generative Models ” Neural Information Processing Systems (NeurIPS)

推荐语：这篇论文提出了一个由静电力学启发的生成模型PFGM。该模型比扩散模型更为鲁棒；且在有扩散模型相同或者更优的生成质量情况下，生成速度更快

Xu, Y., Liu Z. et al (2023). “PFGM++: Unlocking the Potential of Physics-Inspired Generative Models” International Conference on Machine Learning (ICML)

推荐语：这篇论文统一了现有的两种最优的生成模型: 扩散模型与PFGM; 该文章讨论了他们的优劣；并且提出如何找到一个同时具有他们各自优点的新的生成模型。

点击“阅读原文”，报名读书会