热门标签
热门文章
- 1VMware Workstation Pro安装好macOS 10.13之后键盘无法输入，完全失灵。_虚拟机跑mac不能输入
- 2matlab 倍频,1/3倍频程及Matlab程序实现
- 3(最新)IntelliJ IDEA卸载解决方案_uninstall hasn't detected
- 4jsp连接各种数据库的方法_jsp连接到数据库的方式
- 5Java特性之设计模式【桥接模式】_java 桥接模式
- 6深入浅出一文图解Vision Mamba（ViM）_vision mamba代码解析
- 7什么是“”中“”后台_中后台
- 8Spark的模块组成（入门必看）_spark组成
- 9HarmonyOS Next 监听HiLog日志实现测试用例验证_oh_log_print(2)
- 10Java基于Spring Boot+vue的的中小型医院预约挂号体检管理网站_java springboot 体检医院
当前位置: article > 正文
diffusion 和 gan 的优缺点对比_gan和diffusion优缺点
作者：笔触狂放9 | 2024-05-18 09:36:57
赞
踩
gan和diffusion优缺点
- 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/w/笔触狂放9/article/detail/587726
推荐阅读
相关标签
