[NEEDS TRANSLATION]
Latent Diffusion Models (LDMs) คือแนวทางการสร้างสรรค์ (generative approach) ที่ Rombach และคณะ นำเสนอในปี 2022 โดยดำเนินการในปริภูมิแฝง (latent space) ที่ถูกบีบอัด แทนที่จะเป็นปริภูมิพิกเซล (pixel space) ซึ่งช่วยให้สามารถสังเคราะห์ภาพความละเอียดสูงได้อย่างมีประสิทธิภาพ ด้วยการบีบอัดภาพให้อยู่ในรูปการแทนปริภูมิแฝงที่มีมิติต่ำโดยใช้ variational autoencoder ทำให้กระบวนการแพร่กระจาย (diffusion) สามารถคำนวณได้จริงในทางปฏิบัติ โดยยังคงรักษาคุณภาพของภาพไว้ได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10684-10695). DOI: 10.1109/CVPR52688.2022.01042 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). High-Resolution Image Synthesis with Latent Diffusion Models. ScholarGate. https://scholargate.app/th/deep-learning/latent-diffusion-models
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.
- DETR (Detection Transformer)การเรียนรู้เชิงลึก↔ compare
- GraphRAGการเรียนรู้เชิงลึก↔ compare
- Masked Autoencodersการเรียนรู้เชิงลึก↔ compare
- โมเดล Segment Anythingการเรียนรู้เชิงลึก↔ compare