مدلهای انتشاری نهفته
مدلهای انتشاری نهفته (LDMs) یک رویکرد مولد هستند که توسط رومباخ و همکاران در سال ۲۰۲۲ معرفی شد و فرآیند انتشار را به جای فضای پیکسل، در فضای نهفته فشرده انجام میدهد و سنتز تصویر با وضوح بالا را ممکن میسازد. با فشردهسازی تصاویر به یک نمایش نهفته با ابعاد کم با استفاده از یک رمزگذار خودکار متغیر، انتشار از نظر محاسباتی قابل کنترل میشود و در عین حال کیفیت بصری را حفظ میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/fa/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)یادگیری عمیق↔ compare
- گرافرگ (GraphRAG)یادگیری عمیق↔ compare
- خودرمزگذارِ پوشیده (Masked Autoencoders)یادگیری عمیق↔ compare
- مدل قطعهبندی هر چیزی (Segment Anything Model - SAM)یادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →