เปรียบเทียบวิธี

	แบบจำลองการแพร่กระจายหลายรูปแบบ	การจำแนกประเภทแบบหลายรูปแบบโดยใช้ BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020–2022	2019
ผู้ริเริ่ม	Ho, J. et al. (DDPM); Rombach, R. et al. (LDM/Stable Diffusion)	Kiela, D. et al.; Lu, J. et al.
ประเภท	Generative model (denoising diffusion)	Multimodal transformer classifier
แหล่งต้นตำรับ	Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 10684–10695.	Kiela, D., Bhooshan, S., Firooz, H., Perez, E., & Testuggine, D. (2019). Supervised multimodal bitransformers for classifying images and text. arXiv preprint arXiv:1909.02950.
ชื่อเรียกอื่น	multimodal DDPM, cross-modal diffusion, conditional multimodal diffusion, multi-modal denoising diffusion	MMBT, multimodal transformer classification, BERT multimodal fusion, vision-language BERT classifier
ที่เกี่ยวข้อง	6	2
สรุป	A multimodal diffusion model extends denoising diffusion probabilistic models to generate or understand content by conditioning on signals from multiple modalities — such as text, image, audio, or video — simultaneously. It learns to reverse a noise process guided by cross-modal context, enabling high-fidelity synthesis and translation across modalities.	Multimodal BERT-based classification extends the BERT transformer architecture to jointly encode and classify data from multiple modalities — most commonly text paired with images — by fusing their representations before a final classification head. Introduced prominently around 2019 through models such as MMBT and ViLBERT, it has become a standard approach for tasks where neither text nor image alone carries sufficient information for accurate labeling.