Aprenentatge per transferència amb models de difusió
L'aprenentatge per transferència amb models de difusió adapta un gran model de difusió pre-entrenat —com ara Stable Diffusion o DALL-E 2— a un nou domini o tasca objectiu continuant l'entrenament en un petit conjunt de dades específic del domini. En lloc d'aprendre tot el procés generatiu des de zero, els professionals aprofiten el coneixement ja codificat en milions de passos d'entrenament per aconseguir una generació adaptada al domini d'alta qualitat amb dades i càlcul modestos.
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
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/ca/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.
- Model de difusió adaptatiu al dominiAprenentatge profund↔ compare
- Model de difusió ajustat amb precisióAprenentatge profund↔ compare
- Model de difusió multimodalAprenentatge profund↔ compare
- Model de difusió auto-supervisatAprenentatge profund↔ compare
- Aprenentatge per transferència amb xarxa neuronal convolucionalAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →