ScholarGate
Асистент

Порівняння методів

Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.

Мультимодальна дифузійна модель×Мультимодальний трансформер бачення×
ГалузьГлибоке навчанняГлибоке навчання
РодинаMachine learningMachine learning
Рік появи2020–20222021
Автор методуHo, J. et al. (DDPM); Rombach, R. et al. (LDM/Stable Diffusion)Dosovitskiy et al. (ViT); Radford et al. (CLIP multimodal ViT)
ТипGenerative model (denoising diffusion)Multimodal transformer model
Основоположне джерелоRombach, 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. DOI ↗Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. In International Conference on Learning Representations (ICLR). link ↗
Інші назвиmultimodal DDPM, cross-modal diffusion, conditional multimodal diffusion, multi-modal denoising diffusionMultimodal ViT, vision-language transformer, cross-modal vision transformer, multi-modal ViT
Пов'язані65
ПідсумокA 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 Vision Transformer (Multimodal ViT) extends the Vision Transformer architecture to jointly process and align representations from multiple modalities — typically images and text — using self-attention and cross-attention mechanisms. By learning shared or aligned embedding spaces across modalities, it enables tasks such as visual question answering, image-text retrieval, visual grounding, and image captioning.
ScholarGateНабір даних
  1. v1
  2. 2 Джерела
  3. PUBLISHED
  1. v1
  2. 2 Джерела
  3. PUBLISHED

Перейти до пошуку Завантажити слайди

ScholarGateПорівняння методів: Multimodal Diffusion Model · Multimodal Vision Transformer. Отримано 2026-06-17 з https://scholargate.app/uk/compare