Latent Diffusion Models
Latent Diffusion Models (LDMs) är en generativ metod som introducerades av Rombach et al. 2022 och som utför diffusionsprocessen i ett komprimerat latent rum snarare än i pixelrymd, vilket möjliggör effektiv bildsyntes med hög upplösning. Genom att komprimera bilder till en lågdimensionell latent representation med hjälp av en variationsautoenkoder blir diffusion beräkningsmässigt hanterbar samtidigt som den visuella kvaliteten bibehålls.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10684-10695). DOI: 10.1109/CVPR52688.2022.01042 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/sv/deep-learning/latent-diffusion-models
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.
- DETR (Detection Transformer)Djupinlärning↔ compare
- GraphRAGDjupinlärning↔ compare
- Maskerade autoenkodrarDjupinlärning↔ compare
- Segment Anything ModelDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →