Modelo de Difusão Ajustado Finamente
Um modelo de difusão ajustado finamente adapta um grande modelo de difusão pré-treinado de desruído — como Stable Diffusion ou DALL-E — a um assunto, estilo ou domínio específico, continuando o treinamento em um pequeno conjunto de dados curado. Técnicas como DreamBooth, textual inversion e LoRA tornam essa adaptação viável em hardware de consumidor, preservando a capacidade generativa geral.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 22500–22510. DOI: 10.1109/CVPR52729.2023.02155 ↗
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Fine-Tuned Denoising Diffusion Probabilistic Model. ScholarGate. https://scholargate.app/pt/deep-learning/fine-tuned-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.
- Rede Generativa Adversarial AfiadaAprendizado profundo↔ compare
- Classificação de Imagens Fine-TunedAprendizado profundo↔ compare
- Autoencoder Variacional AjustadoAprendizado profundo↔ compare
- Vision Transformer (ViT) AjustadoAprendizado profundo↔ compare
- Aprendizagem por Transferência com Modelo de DifusãoAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →