Domene-adaptiv diffusjonsmodell
En domene-adaptiv diffusjonsmodell er en denoising diffusion probabilistic model (DDPM) som er forhåndstrent på store generelle datasett og deretter tilpasset – gjennom finjustering, tekstlig inversjon eller LoRA – for å generere utdata av høy kvalitet i et spesifikt måldomene. Den kombinerer den kraftige generative kapasiteten til diffusjonsmodeller med teknikker for domeneadaptasjon, noe som muliggjør syntese med høy troskap i spesialiserte områder som medisinsk bildebehandling, satellittbilder eller domenespesifikke kunststiler med begrensede data fra måldomenet.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems, 33, 6840–6851. link ↗
- Gal, R., Alaluf, Y., Atzmon, Y., Patashnik, O., Bermano, A. H., Chechik, G., & Cohen-Or, D. (2023). An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion. International Conference on Learning Representations (ICLR 2023). link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Domain-Adaptive Diffusion Model. ScholarGate. https://scholargate.app/no/deep-learning/domain-adaptive-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.
- Domene-adaptiv GANDyp læring↔ compare
- Domene-adaptiv Vision TransformerDyp læring↔ compare
- Finjustert diffusjonsmodellDyp læring↔ compare
- Multimodal diffusjonsmodellDyp læring↔ compare
- Selv-supervisert diffusjonsmodellDyp læring↔ compare
- Overføringslæring med diffusjonsmodellerDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →