我们考虑在模型中推断高维数据$ \ mathbf {x} $的问题,该模型由先前的$ p(\ mathbf {x})$和辅助约束$ c(\ mathbf {x},\ mathbf){y})$。在本文中,先验是一个独立训练的denoising扩散生成模型。辅助约束预计将具有可区分的形式,但可能来自不同的来源。这种推理的可能性将扩散模型转换为插件模块,从而允许在适应新域和任务(例如条件生成或图像分割)中进行一系列潜在应用。扩散模型的结构使我们能够通过通过固定的denoising网络迭代分化来执行近似推断,每个步骤在每个步骤中都有不同量的噪声。考虑到评估其健身的许多噪声版本的$ \ mathbf {x} $是一种新颖的搜索机制,可能导致新算法用于解决组合优化问题。
translated by 谷歌翻译