Μοντέλα Διάχυσης σε Λανθάνοντα Χώρο
Τα Μοντέλα Διάχυσης σε Λανθάνοντα Χώρο (Latent Diffusion Models - LDMs) αποτελούν μια παραγωγική προσέγγιση που εισήχθη από τους Rombach et al. το 2022 και πραγματοποιεί τη διαδικασία διάχυσης σε συμπιεσμένο λανθάνοντα χώρο αντί για χώρο εικονοστοιχείων, επιτρέποντας την αποδοτική σύνθεση εικόνων υψηλής ανάλυσης. Συμπιέζοντας τις εικόνες σε μια λανθάνουσα αναπαράσταση χαμηλής διάστασης χρησιμοποιώντας έναν αυτοκωδικοποιητή μεταβλητότητας (variational autoencoder), η διάχυση καθίσταται υπολογιστικά διαχειρίσιμη, διατηρώντας παράλληλα την οπτική ποιότητα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/el/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)Βαθιά Μάθηση↔ compare
- GraphRAGΒαθιά Μάθηση↔ compare
- Μασκοφόροι ΑυτοκωδικοποιητέςΒαθιά Μάθηση↔ compare
- Μοντέλο Τμηματοποίησης ΟτιδήποτεΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →