Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Diffusion-GAN Hybride
Architecture combinant les modèles de diffusion et les réseaux antagonistes génératifs pour bénéficier de la stabilité d'entraînement des GANs et de la qualité générative des modèles de diffusion. Cette approche hybride permet une génération d'images à haute résolution avec un contrôle fin du processus de génération.
GAN Diffusif
Variante des GANs où le générateur utilise un processus de diffusion progressif pour transformer le bruit en données réalistes, tandis que le discriminateur évalue les états intermédiaires. Cette méthode améliore la diversité des échantillons générés et réduit l'effondrement de mode.
Diffusion Adversariale
Processus de diffusion où le débruitage est guidé par un mécanisme adversarial, utilisant un discriminateur pour évaluer la réalisme à chaque étape du processus inverse. Cette approche combine la robustesse des modèles de diffusion avec la finesse des GANs.
GAN Conditionnel par Diffusion
Architecture où un modèle de diffusion conditionne le GAN, fournissant une représentation latente structurée qui guide la génération du discriminateur et du générateur. Cette méthode permet un contrôle précis sur les attributs générés tout en maintenant la cohérence globale.
Score Matching Hybride
Technique combinant l'estimation de score des modèles de diffusion avec la fonction de perte adversariale des GANs pour optimiser conjointement la qualité et la diversité générative. Cette approche hybride améliore la convergence et la stabilité de l'entraînement.
Processus de Diffusion Adversarial
Méthodologie où le processus de bruitage et de débruitage est supervisé par un discriminateur qui évalue la qualité à chaque timestep du processus forward et backward. Cette supervision continue garantit des transitions plus réalistes entre les états latents.
GAN à Pas de Diffusion
Architecture où le générateur du GAN opère sur des étapes successives similaires aux timesteps d'un modèle de diffusion, affinant progressivement la sortie. Cette approche permet un contrôle granulaire sur la qualité de génération à chaque étape.
Modèle de Diffusion avec Discriminateur
Variante des modèles de diffusion intégrant un discriminateur dans le processus de débruitage pour évaluer et améliorer la réalisme des échantillons intermédiaires. Cette hybridation maintient les avantages de la diffusion tout en ajoutant un critère de qualité adversarial.
GAN à Bruit Structuré
Architecture GAN utilisant un bruit initial structuré généré par un processus de diffusion, plutôt que du bruit gaussien aléatoire pur. Cette approche fournit au générateur un point de départ plus cohérent pour la génération d'images complexes.
Diffusion à Deux Phases
Modèle hybride où une première phase de diffusion crée une représentation latente de base, suivie d'une phase GAN qui raffine et ajoute des détails de haute fréquence. Cette division du travail optimise l'efficacité computationnelle et la qualité finale.
GAN à Temps Continu
Extension des GANs où le temps est traité comme une variable continue, similaire aux modèles de diffusion, permettant une interpolation fluide entre différents états de génération. Cette approche facilite le contrôle temporel et la cohérence des générations.
Diffusion Adversariale Stochastique
Méthode combinant la nature stochastique des modèles de diffusion avec l'optimisation adversariale, où chaque étape de débruitage est évaluée par un discriminateur probabiliste. Cette approche maintient la diversité tout en garantissant la qualité.
GAN à Espace Latent Diffusif
Architecture où l'espace latent du GAN est structuré selon les principes des modèles de diffusion, avec une hiérarchie de niveaux de bruit contrôlés. Cette organisation permet une meilleure interpolation et un contrôle plus intuitif de la génération.
Modèle Hybride DDPM-GAN
Combination spécifique des Denoising Diffusion Probabilistic Models avec des architectures GAN, utilisant le DDPM pour la génération de base et le GAN pour le raffinement final. Cette approche tire parti de la stabilité du DDPM et de la netteté du GAN.
Diffusion avec Perte Adversariale
Modification des modèles de diffusion où la fonction de perte standard est complétée par une perte adversariale, évaluée par un discriminateur entraîné simultanément. Cette hybridation améliore la netteté et le réalisme des générations finales.