热门标签
热门文章
- 1python传多个可变参数_对Python强大的可变参数传递机制详解
- 2Python爬虫：短视频平台无水印下载！强不强？_69re小视频
- 3「Java面试」一次性带你搞明白面试必问题，谈谈你对ES的理解_java es
- 4Ubuntu 20.04 安装mysql数据库教程_uabntu 20.04 安装mysql5.7.40
- 5云计算：知识社会的动力之源_laomeng资源
- 6计算机操作系统学习（三）处理器管理（1）_在多道程序设计的系统中要求各道程序放在主存任何区域都能正确执行,这种技术称为
- 7如何写BAT_bat 打开终端并执行命令
- 8Windows下实现程序单一运行_句柄单一入口启动
- 9使用Spring Cloud Alibaba集成Durid、Spring Security和Shiro的Java应用程序_springcloudalibaba集成security
- 10嵌入式linux开发uboot移植（三）——uboot启动过程源码分析_uboot代码详细分析
当前位置: article > 正文
diffusion 和 gan 的优缺点对比
作者：算法编织者 | 2024-01-29 20:49:35
赞
踩
diffusion 和 gan 的优缺点对比
- train
- GAN 训练的网络是生成器和判别器，生成器用于生成图像，判别器辅助生成器的训练。
- Diffusion 训练的噪声评估网络。
- sample
- GAN 推理快，GAN的生成网络有维度变化。
- Diffusion 推理慢，需要迭代更多次，推理过程图像尺寸不变。
- 训练难度
- GAN 的训练可能是不稳定的，容易出现模式崩溃和训练振荡等问题。
- Diffusion 训练loss收敛性好，比较平稳。
- 模拟分布连续性
- Diffusion相较于GAN可以模拟更加复杂，更加非线性的分布。但是Diffusion模拟的分布没有GAN连续性好，特别是在video风格迁移的时候，可能帧之间的关系会有很大差别。Diffusion就可以建模更加general，复杂的图像，大模型正需要像Diffusion这样的能力。所以SD等cv大模型才会依靠Diffusion越来越强大。
- GAN可以在某种单个类别的生成上做到很好的效果，比如人脸。GAN很难在多种不同类别的图像组成的数据集上学到这样复杂的分布。
- 模型可控性
- 以StyleGAN为代表的GAN，生成器的输入latent space包括noise和latent code(w)。w的存在使得GAN的可控性更加直接，通过控制低维数据就可以控制高维数据的生成（但这种控制更加抽象），比如连续性插值操作和DragGAN等。
- 以SD为代表的Diffusion输入有noise latent space和text embedding space。text embedding的可控性没有w来的直接。
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/article/detail/44886
推荐阅读
相关标签
