Transferinlärning med diffusionsmodeller
Transferinlärning med diffusionsmodeller anpassar en stor förtränad diffusionsmodell – såsom Stable Diffusion eller DALL-E 2 – till en ny måldomän eller uppgift genom att fortsätta träningen på en mindre domänspecifik datamängd. Istället för att lära sig hela den generativa processen från grunden, utnyttjar praktiker kunskap som redan är kodad i miljontals träningsteg för att uppnå högkvalitativ domänanpassad generering med blygsamma data och beräkningsresurser.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/sv/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.
- Domänadaptiv diffusionsmodellDjupinlärning↔ compare
- Finjusterad diffusionsmodellDjupinlärning↔ compare
- Multimodal DiffusionsmodellDjupinlärning↔ compare
- Självövervakat diffusionsmodellDjupinlärning↔ compare
- Överföringsinlärning med faltningsneurala nätverkDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →