Modèle de diffusion affiné
Un modèle de diffusion affiné adapte un grand modèle de diffusion pré-entraîné (dénoueur) — tel que Stable Diffusion ou DALL-E — à un sujet, un style ou un domaine spécifique en poursuivant l'entraînement sur un petit ensemble de données organisé. Des techniques telles que DreamBooth, l'inversion textuelle et LoRA rendent cette adaptation réalisable sur du matériel grand public tout en préservant la capacité générative générale.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Fine-Tuned Denoising Diffusion Probabilistic Model. ScholarGate. https://scholargate.app/fr/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.
- Réseau antagoniste génératif finement ajustéApprentissage profond↔ compare
- Classification d'images par réglage finApprentissage profond↔ compare
- Variational Autoencoder affinéApprentissage profond↔ compare
- Transformeur Vision AjustéApprentissage profond↔ compare
- Apprentissage par transfert avec modèle de diffusionApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →