本文へスキップ

Deep floyd

公開された段階型の文章から画像へのモデル

公式サイトを見る

Deep floyd とは

本モデルは公開された文章から画像への仕組みと紹介され、凍結した文章エンコーダと段階を連ねる画素拡散から成ると説明されている。

構造の覚書

  • 文章の埋め込みが UNet に流れ込む
  • 交差注意と注意プールが加わる
  • 全段階が T5 系のエンコーダを共有する

出力の段階

  • 最初の段階は 64x64 で動く
  • 中間の段階は 256x256 に達する
  • 最後の段階は 1024x1024 に達する

長所と短所

✓ 良い点

  • 資料は COCO でのゼロショット FID 6.66 を挙げる
  • 文章の埋め込みは T5 系の変換器から得られる

! 注意したい点

  • 資料が扱うのは公開されたモデル
  • 資料の流れは段階を連ねる形

よくある質問

解像度は?

資料は 64x64、256x256、1024x1024 を説明。

示された数値は?

資料は COCO でのゼロショット FID 6.66 を挙げる。

最終評価日: 2026-11-15

その他 AI画像生成 ツール

すべて見る →

評価方法