โมเดลการแพร่กระจายที่ปรับละเอียด
โมเดลการแพร่กระจายที่ปรับละเอียด (fine-tuned diffusion model) คือโมเดลการแพร่กระจายที่ผ่านการฝึกสอนล่วงหน้า (pretrained denoising diffusion model) ขนาดใหญ่ เช่น Stable Diffusion หรือ DALL-E ซึ่งถูกปรับให้เข้ากับหัวข้อ สไตล์ หรือโดเมนที่เฉพาะเจาะจง โดยการฝึกสอนต่อไปบนชุดข้อมูลขนาดเล็กที่คัดสรรมาอย่างดี เทคนิคต่างๆ เช่น DreamBooth, textual inversion และ LoRA ทำให้การปรับเปลี่ยนนี้สามารถทำได้บนฮาร์ดแวร์สำหรับผู้บริโภคทั่วไป ในขณะที่ยังคงความสามารถในการสร้างสรรค์ทั่วไปไว้ได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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. DOI: 10.1109/CVPR52729.2023.02155 ↗
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Fine-Tuned Denoising Diffusion Probabilistic Model. ScholarGate. https://scholargate.app/th/deep-learning/fine-tuned-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.
- เครือข่ายปฏิปักษ์เชิงกำเนิดที่ปรับละเอียดแล้วการเรียนรู้เชิงลึก↔ compare
- การจำแนกภาพแบบปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- ตัวเข้ารหัสอัตโนมัติแบบแปรผันที่ปรับจูนอย่างละเอียดการเรียนรู้เชิงลึก↔ compare
- วิชันทรานส์ฟอร์มเมอร์ที่ปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- การเรียนรู้แบบถ่ายโอนด้วยแบบจำลองการแพร่กระจายการเรียนรู้เชิงลึก↔ compare