Modelo de difusión afinado
Un modelo de difusión afinado adapta un modelo de difusión de preentrenamiento grande —como Stable Diffusion o DALL-E— a un sujeto, estilo o dominio específico continuando el entrenamiento en un pequeño conjunto de datos curado. Técnicas como DreamBooth, textual inversion y LoRA hacen que esta adaptación sea factible en hardware de consumo, preservando la capacidad generativa general.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Fine-Tuned Denoising Diffusion Probabilistic Model. ScholarGate. https://scholargate.app/es/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.
- Red Neuronal Generativa Adversaria Finamente AjustadaAprendizaje profundo↔ compare
- Clasificación de Imágenes Mediante Ajuste FinoAprendizaje profundo↔ compare
- Autoencoder Variacional AjustadoAprendizaje profundo↔ compare
- Vision Transformer (ViT) de ajuste finoAprendizaje profundo↔ compare
- Aprendizaje por transferencia con modelos de difusiónAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →