Modelo de Difusão Auto-supervisionado
Um modelo de difusão auto-supervisionado acopla o processo generativo iterativo de ruído e remoção de ruído dos modelos probabilísticos de difusão de remoção de ruído com um objetivo de aprendizado de representação auto-supervisionado — como perda de predição contrastiva ou mascarada — de modo que o modelo aprenda simultaneamente a gerar dados realistas e a produzir representações semanticamente significativas sem quaisquer exemplos rotulados.
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
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 1597–1607. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Diffusion Model (Denoising Diffusion with Self-supervised Representation Learning). ScholarGate. https://scholargate.app/pt/deep-learning/self-supervised-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 Adversarial GenerativaAprendizado profundo↔ compare
- Autoencoder VariacionalAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →