Prenosno učenje sa difuzionim modelom
Prenosno učenje sa difuzionim modelima prilagođava veliki prethodno obučeni difuzioni model — kao što su Stable Diffusion ili DALL-E 2 — novoj ciljnoj domeni ili zadatku nastavljajući obuku na manjoj bazi podataka specifičnoj za domen. Umesto učenja potpunog generativnog procesa od nule, praktičari koriste znanje već kodirano u milionima koraka obuke da bi postigli visokokvalitetnu generaciju prilagođenu domenu sa skromnim podacima i računarskom snagom.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/sr/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.
- Domenski adaptivni difuzioni modelDuboko učenje↔ compare
- Fino podešen model difuzijeDuboko učenje↔ compare
- Multimodalni difuzioni modelDuboko učenje↔ compare
- Samonadzirani difuzioni modelDuboko učenje↔ compare
- Трансферно учење са конволуционом неуронском мрежомDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →