文章目录 一、文章概览（一）问题的提出（二）文章工作 二、理论背景（一）密度比估计DRE（二）去噪扩散模型 三、方法（一）推导分类和去噪之间的关系（二）组合训练方法（三）一步精确的似然计算 四、实验（一）使用两种损失对于实现最佳分类器的重要性（二）去噪结果、图像质量和负对数似然 论文：Classification Diffusion Models: Revitalizing

Diff-Plugin: Revitalizing Details for Diffusion-based Low-level Tasks (Paper reading) Yuhao Liu, City University of Hong Kong, CVPR2024, Papar, Code 1. 前言 我们提出了一种新的 Diff-Pluggin 框架，使单个预训练的扩散模型能够在

利用 Transfomer 来提升 CNN 注意力的自监督表征学习 NeurIPS 2021 论文：https://arxiv.org/pdf/2110.05340v1.pdf code：https://github.com/chongjiange/care 摘要 对自监督视觉表示学习(SSL)的研究改进了编码器主干来区分没有标签的训练样本。虽然通过SSL的CNN编码器实现了与通过监督学