摘要

近年来，开发在训练过程中对异常值具有鲁棒性的图像生成模型，引起了研究社区的广泛关注。由于不平衡最优传输（Unbalanced Optimal Transport, UOT）易于融入对抗性框架，现有工作主要聚焦于构建针对生成对抗网络（Generative Adversarial Networks, GAN）的鲁棒性框架。然而，近年来扩散模型（Diffusion Models）已在多种任务和数据集上超越了GAN，展现出强大的性能。但据我们所知，现有扩散模型均缺乏对受损数据集的鲁棒性。受DDGAN的启发，本文首次提出一种对异常值具有鲁棒性的扩散模型。我们建议在DDGAN框架中，将原本基于UOT的GAN生成模型替换为用于学习逆向扩散过程的UOT驱动模型。此外，我们证明了所提出框架中散度函数的Lipschitz性质有助于实现更稳定的训练收敛。值得注意的是，我们的方法不仅在受损数据集上表现出显著的鲁棒性，同时在干净数据集上也取得了优于现有方法的性能表现。