Selv-superviseret diffusionsmodel
En selv-superviseret diffusionsmodel kobler den iterative støj-og-afstøjnings generative proces fra denoising diffusion probabilistic models med et selv-superviseret repræsentationslæringsmål — såsom kontrastivt tab eller maskeret forudsigelsestab — så modellen samtidigt lærer at generere realistiske data og at producere semantisk meningsfulde repræsentationer uden nogen mærkede eksempler.
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 (NeurIPS), 33, 6840–6851. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 1597–1607. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Diffusion Model (Denoising Diffusion with Self-supervised Representation Learning). ScholarGate. https://scholargate.app/da/deep-learning/self-supervised-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.
- Generativ modstridende netværkDyb læring↔ compare
- Variational AutoencoderDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →