Entrar
insight - 高解像度画像生成
単一のGPUで高解像度画像生成は可能か？：基盤モデルを用いた高解像度画像生成の探求
事前学習済み拡散モデルと新規フレームワークPixelsmithを用いることで、ギガピクセル級の超高解像度画像を単一のGPUで生成することが可能になる。
FreCaS：周波数認識カスケードサンプリングによる効率的な高解像度画像生成
FreCaSは、潜在拡散モデルの粗から精への生成プロセスを活用し、高解像度画像を段階的に生成することで、従来の手法よりも高速かつ高品質な画像生成を実現する。
SANA：線形拡散Transformerを用いた効率的な高解像度画像合成
SANAは、最大4096×4096解像度の高品質な画像を高速に生成できる、効率性に優れた新しいテキスト画像生成フレームワークです。
訓練不要な高解像度画像生成のための注意機構と段階的潜在拡散モデル
事前学習済み潜在拡散モデル (LDM) を高解像度画像生成に適応させる、訓練不要な新しいフレームワーク、AP-LDM (Attentive and Progressive LDM) を提案する。
高解像度画像生成のためのMegaFusion: 追加のチューニングなしで既存のディフュージョンモデルを拡張する
MegaFusionは、既存のディフューション・モデルを活用して、追加のチューニングなしで高解像度かつ様々なアスペクト比の画像を効率的に生成することができる。
高解像度での創造性と効率を引き出す HiDiffusion: 事前学習済みの拡散モデルの可能性を最大限に引き出す
HiDiffusion は、事前学習済みの拡散モデルを活用して、高解像度の画像を効率的に生成することができる。オブジェクトの重複を解消し、高品質な画像を生成できる。
効率的な確率流サンプリングを用いた条件付き拡散モデルによる高解像度画像生成
低解像度画像から高解像度画像を効率的に生成するため、確率流サンプリングを用いた条件付き拡散モデルを提案する。また、ハイブリッド・パラメータ化と画質損失関数を導入することで、生成画像の一貫性と品質を向上させる。
高解像度画像生成のための「アップサンプルガイダンス」 - 追加トレーニングなしで拡張可能な手法
事前学習済みのディフュージョンモデルを活用し、追加のトレーニングなしで高解像度の画像を生成する手法「アップサンプルガイダンス」を提案する。
Produtos | Recursos
© 2024 by Linnk AI