Pielāgots difūzijas modelis
Pielāgots difūzijas modelis pielāgo lielu iepriekš apmācītu attīrīšanas difūzijas modeli — piemēram, Stable Diffusion vai DALL-E — konkrētam subjektam, stilam vai domēnam, turpinot apmācību uz neliela kurēta datu kopuma. Tādas tehnikas kā DreamBooth, tekstuālā inversija un LoRA padara šo pielāgošanu iespējamu patērētāju aparatūrā, vienlaikus saglabājot vispārējo ģeneratīvo spēju.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Fine-Tuned Denoising Diffusion Probabilistic Model. ScholarGate. https://scholargate.app/lv/deep-learning/fine-tuned-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.
- Pielāgotā ģeneratīvā pretestības tīklsDziļā mācīšanās↔ compare
- Sīkāka pielāgošana attēlu klasifikācijaiDziļā mācīšanās↔ compare
- Pielāgots Variācijas AutoenkodersDziļā mācīšanās↔ compare
- Pielāgotais Vision TransformerDziļā mācīšanās↔ compare
- Pārsūtīšanas apmācība ar difūzijas modeliDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →