Domæne-adaptiv diffusionsmodel
En domæne-adaptiv diffusionsmodel er en denoising diffusion probabilistic model (DDPM), der er fortrænet på store generelle datasæt og derefter tilpasset – gennem finjustering, tekstuel inversion eller LoRA – til at generere output af høj kvalitet inden for et specifikt måldomæne. Den kombinerer den kraftfulde generative kapacitet af diffusionsmodeller med teknikker til domænetilpasning, hvilket muliggør syntese med høj fidelitet inden for specialiserede områder som medicinsk billedbehandling, satellitbilleder eller domænespecifikke kunstneriske stilarter med begrænsede data fra måldomænet.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems, 33, 6840–6851. link ↗
- Gal, R., Alaluf, Y., Atzmon, Y., Patashnik, O., Bermano, A. H., Chechik, G., & Cohen-Or, D. (2023). An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion. International Conference on Learning Representations (ICLR 2023). link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Domain-Adaptive Diffusion Model. ScholarGate. https://scholargate.app/da/deep-learning/domain-adaptive-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.
- Domæneadaptiv GANDyb læring↔ compare
- Domæne-adaptiv Vision TransformerDyb læring↔ compare
- Finjusteret diffusionsmodelDyb læring↔ compare
- Multimodal DiffusionsmodelDyb læring↔ compare
- Selv-superviseret diffusionsmodelDyb læring↔ compare
- Transfer Learning med DiffusionsmodelDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →