Overføringslæring med diffusjonsmodeller
Overføringslæring med diffusjonsmodeller tilpasser en stor forhåndstrent diffusjonsmodell — som Stable Diffusion eller DALL-E 2 — til et nytt måldomene eller en ny oppgave ved å fortsette treningen på et mindre domenespesifikt datasett. I stedet for å lære hele den generative prosessen fra bunnen av, utnytter fagpersoner kunnskap som allerede er kodet i millioner av treningstrinn for å oppnå høykvalitets domenetilpasset generering med beskjeden data og beregningskraft.
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 (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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/no/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.
- Domene-adaptiv diffusjonsmodellDyp læring↔ compare
- Finjustert diffusjonsmodellDyp læring↔ compare
- Multimodal diffusjonsmodellDyp læring↔ compare
- Selv-supervisert diffusjonsmodellDyp læring↔ compare
- Overføringslæring med konvolusjonelt nevralt nettverkDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →