เปรียบเทียบวิธี

	โมเดลการแพร่กระจายที่ปรับละเอียด	การจำแนกภาพแบบปรับละเอียด
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020–2023	2010–2014
ผู้ริเริ่ม	Ho, J., Jain, A., Abbeel, P. (base DDPM); Ruiz et al. (DreamBooth fine-tuning paradigm)	Yosinski, J. et al.; Pan, S. J. & Yang, Q.
ประเภท	Generative model (fine-tuned via subject-specific or domain-specific data)	Transfer learning / fine-tuning
แหล่งต้นตำรับ	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.	Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems (NeurIPS), 27, 3320–3328.
ชื่อเรียกอื่น	DDPM fine-tuning, diffusion model adaptation, personalized diffusion model, subject-driven diffusion fine-tuning	fine-tuning for image recognition, transfer learning image classifier, pretrained CNN fine-tuning, domain-specific image classifier
ที่เกี่ยวข้อง	5	5
สรุป	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.	Fine-tuned image classification adapts a large neural network pretrained on a broad image corpus (such as ImageNet) to a specific target domain by continuing training on labeled domain images. This approach achieves strong accuracy with far fewer target-domain samples than training from scratch, making it the dominant paradigm for applied computer vision tasks.