Pembelajaran Pemindahan dengan Model Penyebaran
Pembelajaran pemindahan dengan model penyebaran (Transfer Learning with Diffusion Models) menyesuaikan model penyebaran besar yang telah dilatih awal — seperti Stable Diffusion atau DALL-E 2 — kepada domain atau tugas sasaran baharu dengan meneruskan latihan pada set data khusus domain yang lebih kecil. Daripada mempelajari keseluruhan proses penjanaan daripada awal, pengamal memanfaatkan pengetahuan yang telah dikodkan dalam berjuta-juta langkah latihan untuk mencapai penjanaan yang disesuaikan dengan domain berkualiti tinggi dengan data dan pengkomputeran yang sederhana.
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
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/ms/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.
- Model Penyesuaian Domain AdaptifPembelajaran Mendalam↔ compare
- Model Penyesuaian Halus untuk DifusiPembelajaran Mendalam↔ compare
- Model Resapan MultimodusPembelajaran Mendalam↔ compare
- Model Resapan Kendiri SeliaanPembelajaran Mendalam↔ compare
- Pembelajaran Pindahan dengan Rangkaian Neural KonvolusiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →