Diffusion Models Beat GANs on Image Synthesis: differenze tra le versioni
(Creata pagina con "Titolo: Titolo::Diffusion Models Beat GANs on Image Synthesis Anno di pubblicazione: AnnoDiPubblicazione::2021 Autori: Autori::Prafulla Dhariwal; Autori::Alex Nichol URL: URL::https://arxiv.org/pdf/2105.05233.pdf Topic: Topic::Il confronto tra modelli di diffusione e GANs nella sintesi di immagini rivela superiorità dei primi in termini di qualità, varietà e stabilità del training Category:pubblicazione __SHOWFACTBOX__") |
Nessun oggetto della modifica |
||
| Riga 1: | Riga 1: | ||
{{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. | |||
Versione attuale delle 10:42, 17 ago 2024
| Diffusion Models Beat GANs on Image Synthesis | |
|---|---|
| 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.