【ICML2024】双曲几何潜在扩散模型用于图生成

扩散模型在计算机视觉领域取得了重大进展，最近在社区内引发了对其在图生成中的应用的广泛兴趣。现有的离散图扩散模型表现出较高的计算复杂性和较低的训练效率。直接在潜在空间中扩散图是一种更优越且自然的方式。然而，由于图的非欧几里得结构在潜在空间中并不各向同性，现有的潜在扩散模型难以有效捕获和保留图的拓扑信息。

为了解决上述挑战，我们提出了一种新颖的几何潜在扩散框架 HypDiff。具体而言，我们首先基于双曲几何建立一个具有可解释性度量的几何潜在空间，以定义图的各向异性潜在扩散过程。然后，我们提出了一种受径向和角度几何属性约束的几何潜在扩散过程，从而确保在生成的图中保留原始拓扑属性。大量实验结果证明了 HypDiff 在生成具有不同拓扑结构的图方面的卓越效果。