Toutes les news taguées avec ce sujet.
Une erreur faible en score matching ne suffit pas à assurer la stabilité des échantillonneurs discrets — une démonstration formelle qui challenge les fondements de l'entraînement des modèles de diffusion.
Un cadre unifié pour généraliser des modèles ML à des entrées de tailles arbitraires, jamais vues à l'entraînement, via des maps d'échantillonnage.