I modelli di diffusione mostrano un forte potenziale nella previsione probabilistica di serie temporali. Tuttavia, le programmazioni di rumore fisse possono produrre stati intermedi difficili da invertire e uno stato terminale che si discosta dall'ipotesi di rumore. Un nuovo articolo introduce StaTS, un modello di diffusione che apprende la programmazione del rumore e il denoiser tramite aggiornamenti alternati.

Architettura di StaTS

StaTS include uno Spectral Trajectory Scheduler (STS) che apprende una programmazione del rumore adattiva ai dati con regolarizzazione spettrale per migliorare la conservazione strutturale e l'invertibilità graduale. Include anche un Frequency Guided Denoiser (FGD) che stima la distorsione spettrale indotta dalla programmazione e la utilizza per modulare la forza di denoising per il ripristino eterogeneo attraverso i passaggi di diffusione e le variabili.

Training e Performance

Una procedura di training a due stadi stabilizza l'accoppiamento tra l'apprendimento della programmazione e l'ottimizzazione del denoiser. Gli esperimenti su diversi benchmark del mondo reale mostrano guadagni coerenti, pur mantenendo prestazioni elevate con meno passaggi di campionamento. Il codice è disponibile su GitHub.