1. Замечания по выразительности для шумоподавляющих диффузионных моделей и семплеров (arXiv)

Автор: Франсиско Варгас, Теодора Реу, Анна Керекес.

Аннотация: Модели диффузии шумоподавления представляют собой класс генеративных моделей, которые недавно достигли самых современных результатов во многих областях. К данным добавляется постепенный шум с использованием процесса диффузии, который преобразует распределение данных в гауссовское. Затем образцы из генеративной модели получаются путем имитации аппроксимации обращения во времени этой диффузии, инициализированной гауссовыми образцами. В недавних исследованиях изучалась адаптация моделей распространения для задач выборки и логического вывода. В этой статье мы используем известные связи со стохастическим управлением, похожие на дрейф Фёлльмера, чтобы распространить установленные результаты аппроксимации нейронной сети для дрейфа Фёлльмера на модели диффузии с шумоподавлением и сэмплеры.

2. CDDM: Модели распространения шумоподавления канала для беспроводной связи (arXiv)

Автор: Тун Ву, Чжиюн Чен, Дачжи Хэ, Лян Цянь, Инь Сюй, Мэйся Тао, Вэньцзюнь Чжан.

Аннотация: Модели распространения (DM) могут постепенно научиться удалять шум, который в последние годы широко использовался в контенте, генерируемом искусственным интеллектом (AIGC). Свойство DM удалять шум заставляет нас задаться вопросом, можно ли применить DM к беспроводной связи, чтобы помочь приемнику устранить шум в канале. Чтобы решить эту проблему, в этой статье мы предлагаем модели распространения шумоподавления канала (CDDM) для беспроводной связи. CDDM можно применять в качестве нового модуля физического уровня после выравнивания канала для изучения распределения входного сигнала канала, а затем использовать полученные знания для удаления шума канала. Мы разрабатываем соответствующие алгоритмы обучения и выборки для процесса прямой диффузии и процесса обратной выборки CDDM. Кроме того, мы применяем CDDM к системе семантической связи, основанной на совместном кодировании исходного канала (JSCC). Экспериментальные результаты показывают, что CDDM может еще больше уменьшить среднеквадратичную ошибку (MSE) после эквалайзера с минимальной среднеквадратичной ошибкой (MMSE), а совместная система CDDM и JSCC обеспечивает лучшую производительность, чем система JSCC и традиционный JPEG2000 с проверкой на четность с низкой плотностью. (LDPC) кодовый подход