Трансферно обучение с дифузионен модел
Трансферното обучение с дифузионни модели адаптира голям предварително обучен дифузионен модел — като Stable Diffusion или DALL-E 2 — към нова целева област или задача чрез продължаване на обучението върху по-малък набор от данни, специфичен за областта. Вместо да се учи пълният генеративен процес от нулата, практиците използват знания, вече кодирани в милиони стъпки на обучение, за да постигнат висококачествена адаптация към областта с умерено количество данни и изчислителни ресурси.
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
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- Ruiz, N., Li, Y., Jampani, V., Pritch, Y., Rubinstein, M., & Aberman, K. (2023). DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation. CVPR 2023. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/bg/deep-learning/transfer-learning-diffusion-model
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.
- Домейн-адаптивен дифузионен моделДълбоко обучение↔ compare
- Фино настроен дифузионен моделДълбоко обучение↔ compare
- Мултимодален дифузионен моделДълбоко обучение↔ compare
- Самообучаващ се дифузионен моделДълбоко обучение↔ compare
- Трансферно обучение с конволюционна невронна мрежаДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →