超越图像生成：扩散模型在视觉数据分析中的应用——全面综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Beyond image generation: visual data analysis with diffusion models—a comprehensive survey

　　

摘要

本综述研究了扩散模型在视觉数据领域的最新非生成式应用，系统地梳理了来自顶级人工智能/机器学习会议、重要期刊以及arXiv预印本中的相关研究论文。我们的分析重点在于视觉扩散模型在图像生成之外的判别性应用。我们提出了一种新的分类方法，将现有的扩散模型应用分为四类：内容检测、动作理解、时空视图估计以及表示学习，并在每类中进一步细分为不同子类别。通过系统分析发现，扩散模型在那些对不确定性要求较高的判别任务中表现更为出色，比如姿态估计、异常检测、语义对应关系识别以及深度估计等，但普遍存在计算开销较大的问题，其推理速度比传统的判别方法慢10到100倍。该综述还指出了基于扩散模型的数据分析所具有的优势，包括能更好地处理模糊的真实值、具备内在的不确定性量化能力，以及能够更丰富地呈现物体的基本特征。同时，我们也强调了结合扩散模型与判别方法的混合式方案，这类方案能够在兼顾高性能的同时解决计算效率问题。本文为机器学习从业者提供了在视觉分析任务中运用扩散模型的系统化指导，并指出了在效率优化和跨领域泛化方面的关键研究缺口。