Machine learning

扩散模型

扩散模型是一种生成式深度学习方法，由 Ho、Jain 和 Abbeel 于 2020 年（DDPM）提出，通过逆转一个逐步加噪的过程来学习生成高质量的图像、音频和分子结构。它在很大程度上取代了 GAN，成为当前生成建模的最新技术水平。

在 MethodMind 中打开即将推出视频即将推出Download slides

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

Method map

The neighbourhood of related methods — select a node to explore.

扩散模型

Neural ODE 主成分分析基于得分的生成模型变分自编码器可解释生成对抗网络生成对抗网络归一化流 Vision Transformer 瓦瑟施泰因生成对抗网络 (WGAN)弱监督扩散模型

+1 more

来源

Ho, J., Jain, A. & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. NeurIPS. link ↗
Rombach, R., Blattmann, A., Lorenz, D., Esser, P. & Ommer, B. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. CVPR. link ↗

如何引用本页

ScholarGate. (2026, June 1). Denoising Diffusion Probabilistic Model (DDPM / Latent Diffusion). ScholarGate. https://scholargate.app/zh/deep-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.

Compare side by side →

被引用于

可解释生成对抗网络生成对抗网络归一化流变分自编码器 Vision Transformer 瓦瑟施泰因生成对抗网络 (WGAN)弱监督扩散模型弱监督生成对抗网络 (Weakly Supervised GAN)

发现本页有问题？报告或提出修改建议 →

阅读完整方法

Method map

来源

如何引用本页

相关方法

Which method?

被引用于