Latente Diffusiemodellen
Latente Diffusiemodellen (LDMs) zijn een generatieve benadering, geïntroduceerd door Rombach et al. in 2022, die het diffusieproces uitvoert in een gecomprimeerde latente ruimte in plaats van in de pixelruimte, wat efficiënte beeldgeneratie op hoge resolutie mogelijk maakt. Door beelden te comprimeren tot een laag-dimensionale latente representatie met behulp van een variationele auto-encoder, wordt diffusie computationeel hanteerbaar met behoud van visuele kwaliteit.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/nl/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)Deep learning↔ compare
- GraphRAGDeep learning↔ compare
- Masked AutoencodersDeep learning↔ compare
- Segment Anything ModelDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →