Доопрацьована (fine-tuned) дифузійна модель
Доопрацьована (fine-tuned) дифузійна модель адаптує велику попередньо навчену модель шумозаглушення (denoising diffusion model), таку як Stable Diffusion або DALL-E, до конкретного об'єкта, стилю чи домену шляхом продовження навчання на невеликому курованому наборі даних. Такі техніки, як DreamBooth, textual inversion та LoRA, роблять цю адаптацію можливою на споживчому обладнанні, зберігаючи загальну генеративну здатність.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Fine-Tuned Denoising Diffusion Probabilistic Model. ScholarGate. https://scholargate.app/uk/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.
- Тонко налаштована генеративно-змагальна мережаГлибоке навчання↔ compare
- Тонке налаштування класифікації зображеньГлибоке навчання↔ compare
- Варіаційний автокодувальник із доналаштуваннямГлибоке навчання↔ compare
- Vision Transformer з доналаштуваннямГлибоке навчання↔ compare
- Трансферне навчання з дифузійними моделямиГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →