« Diffusion latente » : différence entre les versions

Dernière version du 29 janvier 2024 à 10:57

Définition

Modèles qui offrent une approche prometteuse pour générer des images détaillées et réalistes à partir de descriptions textuelles. Ils fonctionnent en apprenant à faire correspondre l'espace latent d'un réseau générateur d'images à l'espace des descriptions textuelles, ce qui leur permet de générer des images très représentatives des données.

Français

diffusion latente

diffusion stable

Anglais

latent diffusion

stable diffusion

Sources

Source : The AI Summer

Source : Analytics Vidhya

@@ Ligne 1 : / Ligne 1 : @@
-==en construction==
 == Définition ==
-XXXXXXXXX
+Modèles qui offrent une approche prometteuse pour générer des images détaillées et réalistes à partir de descriptions textuelles. Ils fonctionnent en apprenant à faire correspondre l'espace latent d'un réseau générateur d'images à l'espace des descriptions textuelles, ce qui leur permet de générer des images très représentatives des données.
 == Français ==
-''' XXXXXXXXX '''
+''' diffusion latente '''
+''' diffusion stable '''
 == Anglais ==
-''' Latent Diffusion'''
+''' latent diffusion'''
+''' stable diffusion '''
- By decomposing the image formation process into a sequential application of denoising autoencoders, diffusion models (DMs) achieve state-of-the-art synthesis results on image data and beyond. Additionally, their formulation allows for a guiding mechanism to control the image generation process without retraining. However, since these models typically operate directly in pixel space, optimization of powerful DMs often consumes hundreds of GPU days and inference is expensive due to sequential evaluations. To enable DM training on limited computational resources while retaining their quality and flexibility, we apply them in the latent space of powerful pretrained autoencoders.
+==Sources==
- In contrast to previous work, training diffusion models on such a representation allows for the first time to reach a near-optimal point between complexity reduction and detail preservation, greatly boosting visual fidelity. By introducing cross-attention layers into the model architecture, we turn diffusion models into powerful and flexible generators for general conditioning inputs such as text or bounding boxes and high-resolution synthesis becomes possible in a convolutional manner. Latent diffusion models (LDMs) achieve a new state of the art for image inpainting and highly competitive performance on various tasks, including unconditional image generation, semantic scene synthesis, and super-resolution, while significantly reducing computational requirements compared to pixel-based DMs.
-<small>
+[https://theaisummer.com/diffusion-models/ Source : The AI Summer ]
-[https://paperswithcode.com/paper/high-resolution-image-synthesis-with-latent  Source : paperswithcode ]
+[https://www.analyticsvidhya.com/blog/2023/01/power-of-latent-diffusion-models-revolutionizing-image-creation/  Source : Analytics Vidhya ]
-[[Catégorie:vocabulary]]
+[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

« Diffusion latente » : différence entre les versions