Visualizza wikitesto di Diffusion Models Beat GANs on Image Synthesis

{{template pubblicazione
|data=2021
|autori=Prafulla Dhariwal; Alex Nichol
|URL=https://www.semanticscholar.org/paper/64ea8f180d0682e6c18d1eb688afdb2027c02794
|topic=Modelli di Diffusione
|citazioni=4806
}}

Questo articolo dimostra che i modelli di diffusione possono generare immagini di qualità superiore rispetto agli attuali modelli generativi. Gli autori raggiungono questo risultato migliorando l'architettura dei modelli di diffusione e introducendo la "classifier guidance", un metodo che permette di bilanciare la diversità e la fedeltà delle immagini generate. I risultati mostrano che i modelli di diffusione superano le GAN in termini di qualità, varietà e stabilità del training.