Latente diffusjonsmodeller
Latente diffusjonsmodeller (LDMs) er en generativ tilnærming introdusert av Rombach et al. i 2022 som utfører diffusjonsprosessen i et komprimert latent rom i stedet for pikselrom, noe som muliggjør effektiv syntese av bilder med høy oppløsning. Ved å komprimere bilder til en lavdimensjonal latent representasjon ved hjelp av en variasjonell autoenkoder, blir diffusjon beregningsmessig håndterbar samtidig som den visuelle kvaliteten opprettholdes.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/no/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)Dyp læring↔ compare
- GraphRAGDyp læring↔ compare
- Maskerte autoenkodereDyp læring↔ compare
- Segment Anything ModelDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →