Трансферное обучение с диффузионной моделью
Трансферное обучение с диффузионными моделями адаптирует большую предварительно обученную диффузионную модель — такую как Stable Diffusion или DALL-E 2 — к новой целевой области или задаче путем продолжения обучения на меньшем наборе данных, специфичном для данной области. Вместо того чтобы изучать полный генеративный процесс с нуля, практики используют знания, уже закодированные в миллионах шагов обучения, для достижения высококачественной адаптации к области генерации с использованием скромных данных и вычислительных ресурсов.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/ru/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.
- Доменно-адаптивная диффузионная модельГлубокое обучение↔ compare
- Дообученная диффузионная модельГлубокое обучение↔ compare
- Мультимодальная диффузионная модельГлубокое обучение↔ compare
- Самообучающаяся диффузионная модельГлубокое обучение↔ compare
- Transfer Learning with Convolutional Neural NetworkГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →