Латентни дифузионни модели
Латентните дифузионни модели (LDM) са генеративен подход, представен от Rombach et al. през 2022 г., който извършва дифузионния процес в компресирано латентно пространство, вместо в пикселно пространство, което позволява ефективен синтез на изображения с висока разделителна способност. Чрез компресиране на изображения в нискоразмерно латентно представяне с помощта на вариационен автоенкодер, дифузията става изчислително осъществима, като същевременно се запазва визуалното качество.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10684-10695). DOI: 10.1109/CVPR52688.2022.01042 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/bg/deep-learning/latent-diffusion-models
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DETR (Detection Transformer)Дълбоко обучение↔ compare
- GraphRAGДълбоко обучение↔ compare
- Маскирани автоенкодериДълбоко обучение↔ compare
- Модел за сегментиране на всичкоДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →