摘要

语义图像合成（SIS）是一项根据语义图（标签）生成逼真图像的任务。然而，在实际应用中，SIS 经常遇到用户输入的噪声问题。为了解决这一问题，我们提出了一种随机条件扩散模型（Stochastic Conditional Diffusion Model, SCDM），这是一种具有鲁棒性的条件扩散模型，其前向过程和生成过程专门为带有噪声标签的 SIS 进行了设计。该模型通过标签扩散（Label Diffusion）随机扰动语义标签图来增强鲁棒性，其中标签扩散采用离散扩散方法。随着时间步长的增加，噪声标签和干净标签的语义图变得越来越相似，并最终在 $t=T$ 时完全相同。这有助于生成接近干净图像的图像，从而实现鲁棒生成。此外，我们还提出了一种类别级噪声调度方案，根据不同的类别差异性地扩散标签。我们在基准数据集上进行了广泛的实验和分析，展示了所提出的方法能够生成高质量样本，包括一种模拟实际应用中人为错误的新实验设置。代码可在 https://github.com/mlvlab/SCDM 获取。