Ülekandeõpe difusioonimudeliga
Ülekandeõpe difusioonimudelitega kohandab suurt eelkoolitatud difusioonimudelit — nagu Stable Diffusion või DALL-E 2 — uude sihtdomeeni või ülesandesse, jätkates selle koolitamist väiksemal domeenispetsiifilisel andmestikul. Selle asemel, et õppida kogu generatiivset protsessi algusest peale, kasutavad praktikud juba miljonites koolitusetappides kodeeritud teadmisi, et saavutada kõrgekvaliteediline domeenile kohandatud generatsioon tagasihoidliku andmehulga ja arvutusressurssidega.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- 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. CVPR 2023. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/et/deep-learning/transfer-learning-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.
- Domeeni-adaptiivne difusioonimudelSüvaõpe↔ compare
- Peenhäälestatud difusioonimudelitSüvaõpe↔ compare
- Multimodaalne difusioonimudelSüvaõpe↔ compare
- Enesekontrollitud difusioonimudelSüvaõpe↔ compare
- Konvolutsioonivõrkude abil ülekantud õppimineSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →