Prenosno učenje s difuzijskim modelom
Prenosno učenje s difuzijskim modelima prilagođava veliki predobučeni difuzijski model — poput Stable Diffusion ili DALL-E 2 — novoj ciljnoj domeni ili zadatku nastavljanjem obuke na manjoj domeni-specifičnoj podatkovnoj zbirci. Umjesto učenja cjelokupnog generativnog procesa od nule, praktičari koriste znanje već kodirano u milijunima koraka obuke kako bi postigli visokokvalitetno generiranje prilagođeno domeni uz skromne podatke i računalnu snagu.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/hr/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.
- Domensko-prilagodljivi difuzijski modelDuboko učenje↔ compare
- Prilagođeni difuzijski modelDuboko učenje↔ compare
- Višeslojni difuzijski modelDuboko učenje↔ compare
- Model samonadziranog širenjaDuboko učenje↔ compare
- Preneseno učenje s konvolucijskim neuronskim mrežamaDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →