Глоссарий ИИ
Полный словарь искусственного интеллекта
Гибридная Диффузионно-состязательная GAN
Архитектура, объединяющая диффузионные модели и генеративно-состязательные сети (GAN) для использования стабильности обучения GAN и качества генерации диффузионных моделей. Этот гибридный подход позволяет генерировать изображения высокого разрешения с тонким контролем процесса генерации.
Диффузионная GAN
Вариант GAN, в котором генератор использует прогрессивный диффузионный процесс для преобразования шума в реалистичные данные, в то время как дискриминатор оценивает промежуточные состояния. Этот метод улучшает разнообразие генерируемых выборок и снижает коллапс моды.
Состязательная Диффузия
Процесс диффузии, в котором дешуминг (очистка от шума) направляется состязательным механизмом, использующим дискриминатор для оценки реалистичности на каждом шаге обратного процесса. Этот подход сочетает устойчивость диффузионных моделей с точностью GAN.
Диффузионно-условная GAN
Архитектура, в которой диффузионная модель обусловливает GAN, предоставляя структурированное латентное представление, которое направляет генерацию дискриминатора и генератора. Этот метод обеспечивает точный контроль над генерируемыми атрибутами при сохранении общей согласованности.
Гибридное Согласование Оценок
Техника, объединяющая оценку оценок (score matching) диффузионных моделей с состязательной функцией потерь GAN для совместной оптимизации качества и разнообразия генерации. Этот гибридный подход улучшает сходимость и стабильность обучения.
Состязательный Процесс Диффузии
Методология, в которой процессы зашумления и дешуминга контролируются дискриминатором, который оценивает качество на каждом временном шаге (timestep) прямого и обратного процесса. Такое непрерывное управление гарантирует более реалистичные переходы между латентными состояниями.
GAN с Шагами Диффузии
Архитектура, в которой генератор GAN работает на последовательных этапах, аналогичных временным шагам (timesteps) диффузионной модели, постепенно улучшая выход. Этот подход обеспечивает гранулярный контроль над качеством генерации на каждом этапе.
Диффузионная Модель с Дискриминатором
Вариант диффузионных моделей, интегрирующий дискриминатор в процесс дешуминга для оценки и улучшения реалистичности промежуточных выборок. Эта гибридизация сохраняет преимущества диффузии, добавляя состязательный критерий качества.
GAN со структурированным шумом
Архитектура GAN, использующая структурированный начальный шум, сгенерированный процессом диффузии, а не чистый случайный гауссовский шум. Этот подход предоставляет генератору более согласованную отправную точку для генерации сложных изображений.
Двухфазная диффузия
Гибридная модель, в которой первая фаза диффузии создает базовое латентное представление, за которой следует фаза GAN, которая уточняет и добавляет высокочастотные детали. Такое разделение труда оптимизирует вычислительную эффективность и конечное качество.
GAN с непрерывным временем
Расширение GAN, где время рассматривается как непрерывная переменная, подобно моделям диффузии, позволяя плавную интерполяцию между различными состояниями генерации. Этот подход облегчает временной контроль и согласованность генераций.
Стохастическая состязательная диффузия
Метод, сочетающий стохастическую природу моделей диффузии с состязательной оптимизацией, где каждый шаг удаления шума оценивается вероятностным дискриминатором. Этот подход поддерживает разнообразие, обеспечивая при этом качество.
GAN с диффузионным латентным пространством
Архитектура, в которой латентное пространство GAN структурировано согласно принципам моделей диффузии, с иерархией контролируемых уровней шума. Такая организация обеспечивает лучшую интерполяцию и более интуитивный контроль генерации.
Гибридная модель DDPM-GAN
Специфическая комбинация моделей вероятностной диффузии удаления шума (Denoising Diffusion Probabilistic Models) с архитектурами GAN, использующая DDPM для базовой генерации и GAN для окончательного уточнения. Этот подход использует стабильность DDPM и резкость GAN.
Диффузия с состязательными потерями
Модификация моделей диффузии, где стандартная функция потерь дополняется состязательными потерями, оцениваемыми одновременно обученным дискриминатором. Эта гибридизация улучшает резкость и реализм конечных генераций.