Un cadre de diffusion robuste de haute qualité pour ensemble de données corrompus

Le développement de modèles génératifs d’images résistants aux valeurs aberrantes pendant le processus d’apprentissage a récemment suscité un intérêt croissant au sein de la communauté scientifique. En raison de la facilité d’intégration du transport optimal déséquilibré (UOT) dans un cadre adversarial, les travaux existants se concentrent principalement sur la conception de cadres robustes pour les modèles génératifs adversariaux (GAN). Toutefois, les modèles à diffusion ont récemment pris le dessus sur les GAN dans diverses tâches et jeux de données. Selon nos connaissances, aucun d’entre eux n’est toutefois robuste face à des jeux de données corrompus. Inspirés par DDGAN, notre travail introduit le premier modèle à diffusion résistant aux valeurs aberrantes. Nous proposons de remplacer, dans DDGAN, le modèle génératif basé sur l’UOT utilisé pour les GAN afin d’apprendre le processus de diffusion inverse. En outre, nous démontrons que la propriété de Lipschitz de la divergence dans notre cadre contribue à une convergence d’entraînement plus stable. Notamment, notre méthode non seulement présente une robustesse significative face aux jeux de données corrompus, mais atteint également des performances supérieures sur des jeux de données propres.