概述
基于分数的生成模型通过学习数据分布的梯度来创建数据——该方向使任何噪声样本看起来更像真实数据。这种得分函数视图将扩散模型与随机微分方程统一起来，并为许多现代图像生成器提供了基础。
基于分数的生成模型属于计算机视觉工作流程，它解释或生成视觉媒体以进行分析、操作和创造力。
深入探討
基于分数的模型不是直接对概率进行建模，而是学习分数：对数概率密度相对于输入的梯度。知道以何种方式推动样本以增加其可能性就足以生成新数据。 Yang Song 和 Stefano Ermon 在 2019 年的工作中訓練了一個網絡，使用去噪得分匹配來估計多個噪聲級別的得分，然後使用 Langevin 動力學生成樣本——沿著得分重複步進並添加一點噪聲。他們的 2021 年得分 SDE 論文表明，擴散模型和基於得分的模型是由隨機微分方程描述的同一連續過程的兩個方面。至關重要的是，每個 SDE 都有一個相應的確定性「機率流」ODE，它共享相同的邊際，從而實現精確的似然和快速採樣。
技術洞察
在資料稀疏的情況下，直接估計乾淨資料的分數是很困難的，因此該模型是在多個尺度上受高斯雜訊擾動的資料上進行訓練的。去雜訊得分匹配給出了一個易於處理的目標：加噪分佈的得分等於雜訊方向除以雜訊方差，因此預測雜訊和預測分數本質上是同一件事。采样从纯高斯噪声开始求解逆时 SDE（或等效概率流 ODE）。
掌握基于分数的生成模型
基於分數的生成模型透過學習資料分佈的梯度來創建資料——該方向使任何雜訊樣本看起來更像真實資料。這種得分函數視圖將擴散模型與隨機微分方程統一起來，並為許多現代圖像生成器提供了基礎。基於分數的生成模型屬於電腦視覺工作流程，它解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將基於分數的生成模型視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用基於分數的生成模型的強大團隊會平衡準確性與數據品質、照明差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
噪音條件評分網 (NCSN) 透過 Langevin 動力學遵循學習的評分梯度來產生逼真的臉。
醫學影像重建，例如加速 MRI，其中學習的分數充當填充欠採樣掃描資料的先驗。
藥物發現中的分子和蛋白質結構生成，透過基於評分的擴散建模 3D 原子構型。
音頻波形合成，其中樂譜模型對乾淨的語音或音樂進行降噪，就像在基於擴散的聲碼器中一樣。
實施模式
基於分數的生成模型的實踐
噪音條件評分網 (NCSN) 透過 Langevin 動力學遵循學習的評分梯度來產生逼真的臉。
噪音條件評分網路 (NCSN) 透過 Langevin 動力學追蹤學習的評分梯度來產生照片級真實感面孔。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
基於分數的生成模型的實踐
醫學影像重建，例如加速 MRI，其中學習的分數充當填充欠採樣掃描資料的先驗。
醫學影像重建，例如加速 MRI，其中學習的分數充當填充欠採樣掃描資料的先驗。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
基於分數的生成模型的實踐
藥物發現中的分子和蛋白質結構生成，透過基於評分的擴散建模 3D 原子構型。
藥物發現中的分子和蛋白質結構生成，使用基於分數的擴散建模 3D 原子配置當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
基於分數的生成模型的實踐
音頻波形合成，其中樂譜模型對乾淨的語音或音樂進行降噪，就像在基於擴散的聲碼器中一樣。
音訊波形合成，其中分數模型對乾淨的語音或音樂進行降噪，就像在基於擴散的聲碼器中一樣。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。