Трансферне навчання з дифузійними моделями
Трансферне навчання з дифузійними моделями адаптує велику попередньо навчену дифузійну модель — таку як Stable Diffusion або DALL-E 2 — до нової цільової області або завдання шляхом продовження навчання на меншому наборі даних, специфічному для цієї області. Замість того, щоб вивчати повний генеративний процес з нуля, практикуючі фахівці використовують знання, вже закодовані в мільйонах кроків навчання, для досягнення високоякісної генерації, адаптованої до області, з помірними обсягами даних та обчислювальних ресурсів.
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
- Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗
- 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. CVPR 2023. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Transfer Learning Applied to Diffusion-Based Generative Models. ScholarGate. https://scholargate.app/uk/deep-learning/transfer-learning-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.
- Доменно-адаптована дифузійна модельГлибоке навчання↔ compare
- Доопрацьована (fine-tuned) дифузійна модельГлибоке навчання↔ compare
- Мультимодальна дифузійна модельГлибоке навчання↔ compare
- Самокеровані дифузійні моделіГлибоке навчання↔ compare
- Трансферне навчання зі згортковою нейронною мережеюГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →