Machine learningDeep learning / NLP / CV
ドメイン適応型拡散モデル
ドメイン適応型拡散モデルとは、大規模な汎用データセットで事前学習され、その後ファインチューニング、テキスト反転、またはLoRAなどを介して特定のターゲットドメインで高品質な出力を生成するように適応された、デノイジング拡散確率モデル（DDPM）のことである。これは、拡散モデルの強力な生成能力とドメイン適応技術を組み合わせ、限られたターゲットドメインデータを用いて、医療画像、衛星画像、またはドメイン固有のアートスタイルなどの専門分野で高忠実度の合成を可能にする。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems, 33, 6840–6851. link ↗
- Gal, R., Alaluf, Y., Atzmon, Y., Patashnik, O., Bermano, A. H., Chechik, G., & Cohen-Or, D. (2023). An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion. International Conference on Learning Representations (ICLR 2023). link ↗
このページの引用方法
ScholarGate. (2026, June 3). Domain-Adaptive Diffusion Model. ScholarGate. https://scholargate.app/ja/deep-learning/domain-adaptive-diffusion-model
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- ドメイン適応型GAN深層学習↔ 比較
- ドメイン適応型ビジョン・トランスフォーマー深層学習↔ 比較
- ファインチューニングされた拡散モデル深層学習↔ 比較
- マルチモーダル拡散モデル深層学習↔ 比較
- 自己教師あり拡散モデル深層学習↔ 比較
- 拡散モデルを用いた転移学習深層学習↔ 比較