Machine learningDeep learning / NLP / CV
ファインチューニングされた拡散モデル
ファインチューニングされた拡散モデルは、Stable DiffusionやDALL-Eなどの大規模な事前学習済みノイズ除去拡散モデルを、小規模な厳選されたデータセットで学習を継続することにより、特定の主題、スタイル、またはドメインに適応させます。DreamBooth、textual inversion、LoRAなどの技術により、汎用的な生成能力を維持しつつ、消費者向けハードウェアでのこの適応が可能になります。
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
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Fine-Tuned Denoising Diffusion Probabilistic Model. ScholarGate. https://scholargate.app/ja/deep-learning/fine-tuned-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。
- ファインチューニングされた敵対的生成ネットワーク深層学習↔ 比較
- ファインチューニングによる画像分類深層学習↔ 比較
- ファインチューニングされた変分オートエンコーダ深層学習↔ 比較
- ファインチューニングされたVision Transformer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