Latent Diffusion Models
Latent Diffusion Models (LDM) ir ģeneratīva pieeja, ko 2022. gadā ieviesa Rombach et al. un kas veic difūzijas procesu saspiestā latentajā telpā, nevis pikseļu telpā, tādējādi nodrošinot efektīvu augstas izšķirtspējas attēlu sintēzi. Saspiežot attēlus zemas dimensijas latentā reprezentācijā, izmantojot variācijas autoenkoderi, difūzija kļūst aprēķināmi traktējama, vienlaikus saglabājot vizuālo kvalitāti.
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
- Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10684-10695). DOI: 10.1109/CVPR52688.2022.01042 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/lv/deep-learning/latent-diffusion-models
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.
- DETR (Detection Transformer)Dziļā mācīšanās↔ compare
- GraphRAGDziļā mācīšanās↔ compare
- Apslēptie autoenkoderiDziļā mācīšanās↔ compare
- Jebkā Segmentācijas ModelisDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →