Apprendimento per trasferimento con modello a diffusione
L'apprendimento per trasferimento con modelli a diffusione adatta un grande modello a diffusione pre-addestrato — come Stable Diffusion o DALL-E 2 — a un nuovo dominio o compito target continuando l'addestramento su un dataset specifico del dominio più piccolo. Invece di apprendere l'intero processo generativo da zero, i professionisti sfruttano la conoscenza già codificata in milioni di passi di addestramento per ottenere una generazione adattata al dominio di alta qualità con dati e calcolo modesti.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/it/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.
- Modello a Diffusione Domain-AdaptiveApprendimento profondo↔ compare
- Modello a Diffusione Fine-TunedApprendimento profondo↔ compare
- Modello di Diffusione MultimodaleApprendimento profondo↔ compare
- Modello di Diffusione Auto-supervisionatoApprendimento profondo↔ compare
- Transfer Learning con Convolutional Neural NetworkApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →