Machine learningDeep learning / NLP / CV
拡散モデルを用いた転移学習
拡散モデルを用いた転移学習は、Stable DiffusionやDALL-E 2のような大規模な事前学習済み拡散モデルを、小規模なドメイン固有データセットで学習を継続することにより、新しいターゲットドメインまたはタスクに適応させる手法である。ゼロから完全な生成プロセスを学習するのではなく、実践者は数百万回の学習ステップで既にエンコードされた知識を活用し、少ないデータと計算量で高品質なドメイン適応生成を達成する。
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。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/ja/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.
- ドメイン適応型拡散モデル深層学習↔ compare
- ファインチューニングされた拡散モデル深層学習↔ compare
- マルチモーダル拡散モデル深層学習↔ compare
- 自己教師あり拡散モデル深層学習↔ compare
- 畳み込みニューラルネットワークを用いた転移学習深層学習↔ compare