数字技术与应用杂志社

摘要：<正>去噪扩散模型已成为高质量生成建模的重要范式，其潜在扩散变体通过在低维隐空间学习数据分布能够显著提高对高维对象的可扩展性与计算效率。将该范式应用于神经网络参数的生成，旨在重构参数统计结构并支持模型级别的合成与迁移。然而，现有方法在生成参数的频谱一致性方面仍面临高频噪声、谱偏差等问题，容易影响下游性能的稳定性。本文提出在隐空间采样阶段引入傅里叶频谱引导策略，首先，针对解码得到的参数计算对数幅值谱；其次，经过频带聚合得到低维谱特征，训练轻量频谱判别器以输出谱得分；最后，将该得分相对于潜在的梯度作为附加采样导向项融入逆过程更新。

专辑： 信息科技

专题： 自动化技术

分类号： TP183