Model de difusió ajustat amb precisió
Un model de difusió ajustat amb precisió adapta un model de difusió de denoising gran preentrenat —com ara Stable Diffusion o DALL-E— a un subjecte, estil o domini específic continuant l'entrenament amb un petit conjunt de dades curat. Tècniques com DreamBooth, la inversió textual i LoRA fan que aquesta adaptació sigui factible en maquinari de consum, tot preservant la capacitat generativa general.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 22500–22510. DOI: 10.1109/CVPR52729.2023.02155 ↗
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Fine-Tuned Denoising Diffusion Probabilistic Model. ScholarGate. https://scholargate.app/ca/deep-learning/fine-tuned-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.
- Xarxa Generativa Antagònica Finament AjustadaAprenentatge profund↔ compare
- Classificació d'imatges amb ajustament fi (Fine-Tuning)Aprenentatge profund↔ compare
- Autoencoder Variacional afinatAprenentatge profund↔ compare
- Vision Transformer ajustat (Fine-Tuned Vision Transformer)Aprenentatge profund↔ compare
- Aprenentatge per transferència amb models de difusióAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →