เปรียบเทียบวิธี

	แบบจำลองการแพร่กระจายแบบปรับตามโดเมน	โมเดลการแพร่กระจายที่ปรับละเอียด
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2022–2023	2020–2023
ผู้ริเริ่ม	Ho et al. (DDPM); domain-adaptation variants popularized by Gal et al. and Ruiz et al. (2022–2023)	Ho, J., Jain, A., Abbeel, P. (base DDPM); Ruiz et al. (DreamBooth fine-tuning paradigm)
ประเภท	Generative model with domain adaptation	Generative model (fine-tuned via subject-specific or domain-specific data)
แหล่งต้นตำรับ	Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems, 33, 6840–6851.	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. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 22500–22510.
ชื่อเรียกอื่น	DA-diffusion model, domain-adapted diffusion model, domain-adaptive DDPM, cross-domain diffusion model	DDPM fine-tuning, diffusion model adaptation, personalized diffusion model, subject-driven diffusion fine-tuning
ที่เกี่ยวข้อง	6	5
สรุป	A domain-adaptive diffusion model is a denoising diffusion probabilistic model (DDPM) that is pre-trained on large general datasets and then adapted — through fine-tuning, textual inversion, or LoRA — to generate high-quality outputs in a specific target domain. It combines the powerful generative capacity of diffusion models with domain adaptation techniques, enabling high-fidelity synthesis in specialized areas such as medical imaging, satellite imagery, or domain-specific art styles with limited target-domain data.	A fine-tuned diffusion model adapts a large pretrained denoising diffusion model — such as Stable Diffusion or DALL-E — to a specific subject, style, or domain by continuing training on a small curated dataset. Techniques such as DreamBooth, textual inversion, and LoRA make this adaptation feasible on consumer hardware while preserving general generative capability.