Model Penyerakan Terpendam
Model Penyerakan Terpendam (LDM) ialah pendekatan generatif yang diperkenalkan oleh Rombach et al. pada tahun 2022 yang melaksanakan proses penyerakan dalam ruang terpendam termampat berbanding ruang piksel, membolehkan sintesis imej resolusi tinggi yang cekap. Dengan memampatkan imej ke dalam perwakilan terpendam berdimensi rendah menggunakan pengekod auto variasi, penyerakan menjadi boleh dikira sambil mengekalkan kualiti visual.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/ms/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)Pembelajaran Mendalam↔ compare
- GraphRAGPembelajaran Mendalam↔ compare
- Autoenkoder BertopengPembelajaran Mendalam↔ compare
- Model Segment SesuatuPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →