★
Меню
Главная Как это устроено Список наблюдения Стек
Аппаратное обеспечение ЧипыСравнить чипы Серверы и системыСетевая инфраструктура ПамятьFoundry и упаковка Охлаждение
Объекты инфраструктуры Центры обработки данныхЭлектропотребление ПроектыОблачные вычисления и GPU
Интеллект AI-моделиПрограммное обеспечение AI-продуктыБенчмарки Научные статьиДатасеты Концепции
Экосистема КомпанииАкции ЛюдиХронология ТенденцииБудущее ИИ
Обучение Новости Запрос к данным ИИ-агенты
О сайте О нас Методология Данные и API Отказ от ответственности
Параметры
ДАННЫЕ И API

Бесплатный доступ только для чтения к кешированным данным сайта в формате JSON.

Тёмная тема

Режим с подсказками
Не знакомы с терминологией чипов, дата-центров и моделей? Мы объясняем ключевые понятия прямо в процессе просмотра, простым языком. Те же данные, со встроенной подсказкой.

Экспертный режим
Вы уже знаете стек. Только данные: чистые, быстрые и компактные, без лишних пояснений. Это вид по умолчанию.

Язык интерфейса
‹ Назад
Главная › Научные статьи › Denoising Diffusion Probabilistic Models (2020)

Denoising Diffusion Probabilistic Models (2020)

Научная статья Неожиданное архитектурное решение

The DDPM paper behind every image and video generator.

Перед вами запись об исследовательской статье — знаковой работе и том, что она привнесла в область.

Ho, Jain and Abbeel made diffusion practical for image synthesis, and latent diffusion (Rombach 2022) made it cheap enough for consumer GPUs — the two steps from which Stable Diffusion, Midjourney-class systems, Sora and Veo all follow.

Место в общей экосистеме

Introduced in · 1 Basis for · 3 Denoising Diffusion Probabilistic Models (2020)

Ссылки этой записи с первого взгляда — нажмите на группу, чтобы перейти к ней.

Представлено в

Основа для

Источники

arXiv 2006.11239 ↗

Запись актуальна на 2026-01-15 — смотреть Методология.