扩散-GAN 模型实现 15 步生成带情感的符号音乐

研究者提出一种扩散模型与 GAN 结合的架构，用于缓解扩散模型生成符号音乐时采样缓慢的问题。该方法将符号音乐表示为带力度值的类图像 pianoroll，并用变分自编码器获取其潜在表示来训练扩散模型。模型仅需 15 步去噪扩散即可生成高质量音乐，并能按指定情感控制生成结果，而多数符号音乐扩散模型需要数百至数千步。