مقارنة

GAN وVAE ونماذج الانتشار

GAN vs VAE vs Diffusion

موثّق جزئياً Partially Verified

ثلاث عائلات للتوليد العميق.

الخلاصة

تسيطر نماذج الانتشار على توليد الصور منذ 2022 تقريباً، بينما تبقى VAE مكوناً داخلها (الضغط إلى الفضاء الكامن في Stable Diffusion).

جدول المقارنة

المعيارGANVAEDiffusion
السنة201420132020 (DDPM)
الفكرةمولّد ضد مميّزتشفير احتمالي وفك تشفيرإزالة ضجيج تدريجية
جودة الصورحادةأقل حدةعالية ومتنوعة
استقرار التدريبصعبمستقرمستقر
سرعة التوليدسريعة (خطوة واحدة)سريعةأبطأ (خطوات كثيرة)

المصادر والمراجع العلمية

  1. Ian Goodfellow; Jean Pouget-Abadie; Mehdi Mirza; ... (8) (2014). Generative Adversarial Networks (arXiv; NIPS 2014 as "Generative Adversarial Nets"). arXiv, 1406.2661. DOI: 10.48550/arXiv.1406.2661 · arXiv: 1406.2661

    يدعم: GAN

    نسخة أولية (Preprint) · جرى التحقق من بياناته الببليوغرافية عبر OpenAlex · صفحة المرجع

  2. Diederik P. Kingma; Max Welling (2013). Auto-Encoding Variational Bayes. arXiv, 1312.6114. DOI: 10.48550/arXiv.1312.6114 · arXiv: 1312.6114

    يدعم: VAE

    نسخة أولية (Preprint) · جرى التحقق من بياناته الببليوغرافية عبر OpenAlex · صفحة المرجع

  3. Jonathan Ho; Ajay Jain; Pieter Abbeel (2020). Denoising Diffusion Probabilistic Models. arXiv, 2006.11239. DOI: 10.48550/arXiv.2006.11239 · arXiv: 2006.11239

    يدعم: DDPM

    نسخة أولية (Preprint) · جرى التحقق من بياناته الببليوغرافية عبر OpenAlex · صفحة المرجع

  4. Robin Rombach; Andreas Blattmann; Dominik Lorenz; Patrick Esser; Bjorn Ommer (2022). High-Resolution Image Synthesis with Latent Diffusion Models. CVPR 2022, 10674-10685. DOI: 10.1109/CVPR52688.2022.01042

    يدعم: الانتشار الكامن

    ورقة مؤتمر · جرى التحقق من بياناته الببليوغرافية عبر Crossref · صفحة المرجع