GAN وVAE ونماذج الانتشار
GAN vs VAE vs Diffusion
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
| المعيار | GAN | VAE | Diffusion |
|---|---|---|---|
| السنة | 2014 | 2013 | 2020 (DDPM) |
| الفكرة | مولّد ضد مميّز | تشفير احتمالي وفك تشفير | إزالة ضجيج تدريجية |
| جودة الصور | حادة | أقل حدة | عالية ومتنوعة |
| استقرار التدريب | صعب | مستقر | مستقر |
| سرعة التوليد | سريعة (خطوة واحدة) | سريعة | أبطأ (خطوات كثيرة) |
المصادر والمراجع العلمية
- 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
- Diederik P. Kingma; Max Welling (2013). Auto-Encoding Variational Bayes. arXiv, 1312.6114. DOI: 10.48550/arXiv.1312.6114 · arXiv: 1312.6114
يدعم: VAE
- 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
- 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
