Latent Diffusion Models
Latent Diffusion Models (LDMs) sind ein generativer Ansatz, der von Rombach et al. im Jahr 2022 eingeführt wurde und den Diffusionsprozess in einem komprimierten latenten Raum anstelle des Pixelraums durchführt, was eine effiziente Synthese von Bildern mit hoher Auflösung ermöglicht. Durch die Komprimierung von Bildern in eine niedrigdimensionale latente Repräsentation mittels eines variablen Autoenkoders wird die Diffusion rechnerisch handhabbar, während die visuelle Qualität erhalten bleibt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10684-10695). DOI: 10.1109/CVPR52688.2022.01042 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/de/deep-learning/latent-diffusion-models
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.
- DETR (Detection Transformer)Deep Learning↔ compare
- GraphRAGDeep Learning↔ compare
- Masked AutoencodersDeep Learning↔ compare
- Segment Anything ModelDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →