Prenosové učenie s difúznym modelom
Prenosové učenie s difúznymi modelmi adaptuje veľký predtrénovaný difúzny model – ako napríklad Stable Diffusion alebo DALL-E 2 – na novú cieľovú doménu alebo úlohu pokračovaním trénovania na menšom datasete špecifickom pre danú doménu. Namiesto učenia sa celého generatívneho procesu od začiatku, praktici využívajú vedomosti už zakódované v miliónoch tréningových krokov na dosiahnutie vysokokvalitnej generácie adaptovanej na doménu s miernym množstvom dát a výpočtového výkonu.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/sk/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.
- Doménovo adaptívny difúzny modelHlboké učenie↔ compare
- Model difúzie s doladenímHlboké učenie↔ compare
- Multimodálny difúzny modelHlboké učenie↔ compare
- Samo-riadený difúzny modelHlboké učenie↔ compare
- Prenosové učenie s konvolučnou neurónovou sieťouHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →