一种条件扩散模型鲁棒性优化方法技术

本申请公开了一种条件扩散模型鲁棒性优化方法，本方法将加噪信息数据集以及预设条件输入至有条件神经网络中进行训练，将加噪信息数据集输入至无条件神经网络中进行训练；获取训练好的有条件神经网络和训练好的无条件神经网络在训练过程中产生的拟合误差，获取在条件扩散模型的反向过程中输入条件错误的情况下，训练好的有条件神经网络产生的量化误差；将拟合误差和量化误差输入至构建好的过滤器中，计算得到目标参数；将训练好的有条件神经网络、训练好的无条件神经网络以及目标参数输入至构建好的控制器中，生成控制信号；将高斯分布和控制信号输入至构建好的生成模型中，得到生成模型输出的生成数据。本申请能够提高模型的可靠性和有效性。

【技术实现步骤摘要】

本申请涉及图像生成，尤其是涉及一种条件扩散模型鲁棒性优化方法。

技术介绍

1、扩散模型是一类生成模型，在前向阶段对图像逐步施加噪声，直至图像被破坏变成完全的高斯噪声，然后在逆向阶段学习从高斯噪声还原为原始图像的过程。扩散模型因其出色的生成性能和可变性，在计算机视觉应用中越来越受欢迎。尤其是条件扩散模型能够引导模型生成确定类别的结果。

2、然而，反向过程中不准确的条件输入会导致神经网络生成固定误差，进而降低训练好的条件扩散模型的适应性。传统解决方法是在推断之前进行数据清理，但这种方法比较耗时，并且这种方法不能解决条件扩散模型鲁棒性低的问题。

技术实现思路

1、本申请旨在提出一种条件扩散模型鲁棒性优化方法，能够减少模型误差，从而提高模型的可靠性和有效性。

2、第一方面，本申请实施例提供了一种条件扩散模型鲁棒性优化方法，所述方法包括：

3、对输入信号进行加噪，得到加噪信息数据集；

4、构建有条件神经网络和无条件神经网络；

5、将所述加噪信息数据集以及预设条本文档来自技高网...

【技术保护点】

1.一种条件扩散模型鲁棒性优化方法，其特征在于，所述方法包括：

2.根据权利要求1所述的条件扩散模型鲁棒性优化方法，其特征在于，通过如下方式得到构建好的过滤器：

3.根据权利要求2所述的条件扩散模型鲁棒性优化方法，其特征在于，所述根据所述训练好的有条件神经网络对应的第一训练函数，得到所述训练好的有条件神经网络在训练过程中产生的第一拟合误差，包括：

4.根据权利要求2所述的条件扩散模型鲁棒性优化方法，其特征在于，所述根据所述训练好的无条件神经网络对应的第二训练函数，得到所述训练好的无条件神经网络在训练过程中产生的第二拟合误差，包括：</p>

5.根据...

【技术特征摘要】

1.一种条件扩散模型鲁棒性优化方法，其特征在于，所述方法包括：

2.根据权利要求1所述的条件扩散模型鲁棒性优化方法，其特征在于，通过如下方式得到构建好的过滤器：

3.根据权利要求2所述的条件扩散模型鲁棒性优化方法，其特征在于，所述根据所述训练好的有条件神经网络对应的第一训练函数，得到所述训练好的有条件神经网络在训练过程中产生的第一拟合误差，包括：

4.根据权利要求2所述的条件扩散模型鲁棒性优化方法，其特征在于，所述根据所述训练好的无条件神经网络对应的第二训练函数，得到所述训练好的无条件神经网络在训练过程中产生的第二拟合误差，包括：

5.根据权利要求2所述的条件扩散模型鲁棒性优化方法，其特征在于，通过如下方式得...

【专利技术属性】
技术研发人员：朱湘，徐伟峰，李小勇，吴松，任小丽，邵成成，肖培坤，贾昊明，谭家明，曹睿馨，陈信宇，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：