Pašuzraudzības difūzijas modelis
Pašuzraudzības difūzijas modelis apvieno attēlu un trokšņu noņemšanas probabilistisko modeļu (denoising diffusion probabilistic models) iteratīvo ģeneratīvo procesu ar pašuzraudzības reprezentācijas apguves mērķi — piemēram, kontrastīvu vai maskētas prognozes zudumu —, lai modelis vienlaikus apgūtu reālistisku datu ģenerēšanu un semantiski nozīmīgu reprezentāciju veidošanu bez jebkādiem marķētiem piemēriem.
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
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 1597–1607. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Self-supervised Diffusion Model (Denoising Diffusion with Self-supervised Representation Learning). ScholarGate. https://scholargate.app/lv/deep-learning/self-supervised-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.
- Generatīvais Adversariālais TīklsDziļā mācīšanās↔ compare
- Variacionālais autoenkodersDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →