Finjusteret diffusionsmodel
En finjusteret diffusionsmodel tilpasser en stor forhåndstrænet denoising-diffusionsmodel – såsom Stable Diffusion eller DALL-E – til et specifikt emne, en stil eller et domæne ved at fortsætte træningen på et lille, kurateret datasæt. Teknikker som DreamBooth, tekstuel inversion og LoRA gør denne tilpasning mulig på forbrugerhardware, samtidig med at den generelle generative kapacitet bevares.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Denoising Diffusion Probabilistic Model. ScholarGate. https://scholargate.app/da/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.
- Finetunet Generativt Adversarialt NetværkDyb læring↔ compare
- Finjusteret billedklassifikationDyb læring↔ compare
- Finjusteret Variational AutoencoderDyb læring↔ compare
- Finetunet Vision TransformerDyb læring↔ compare
- Transfer Learning med DiffusionsmodelDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →