Přenosové učení s difuzními modely
Přenosové učení s difuzními modely adaptuje velký předtrénovaný difuzní model — jako je Stable Diffusion nebo DALL-E 2 — na novou cílovou doménu nebo úlohu pokračováním tréninku na menším datovém souboru specifickém pro danou doménu. Místo učení celého generativního procesu od začátku využívají praktici znalosti již zakódované v milionech trénovacích kroků k dosažení vysoce kvalitní generace adaptované na doménu s mírným množstvím dat a výpočetních prostředků.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/cs/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.
- Doménově adaptovaný difuzní modelHluboké učení↔ compare
- Jemně doladěný difuzní modelHluboké učení↔ compare
- Multimodální difuzní modelHluboké učení↔ compare
- Samo-supervizovaný difuzní modelHluboké učení↔ compare
- Přenosové učení s konvoluční neuronovou sítíHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →