# 512x512高解像度

拡散ベースのテキストから画像生成モデルで、テキスト入力に基づいてリアルな画像を生成可能

AdaptFormerは、リモートセンシング画像の変化検出のための適応型階層的意味手法で、異なる意味深度に応じて差異化戦略を採用しています。

diffusersベースのテキスト・トゥ・ビデオモデルで、ModelScopeのファインチューニングによりアニメスタイルを実現、トレーニング解像度は512x512ピクセルです。

潜在拡散モデルに基づくテキスト生成画像システムで、テキスト入力からリアルな画像を生成可能

diffusersフレームワークをファインチューニングしたテキスト生成動画モデルで、顕著なアニメ視覚的特徴を持ち、トレーニング解像度は512x512ピクセルです。

Stable Diffusionは潜在拡散モデルで、テキスト入力に基づいてリアルな画像を生成できます。v1.3バージョンはv1.2をベースに美的感覚を最適化したトレーニングを行っています。

軽量な視覚Transformerモデルで、MobileNetV2とTransformerモジュールを組み合わせ、モバイル端末向けセマンティックセグメンテーションタスクに適している

このSegFormerモデルは512x512解像度でADE20kデータセットに対してファインチューニングされ、階層型Transformerエンコーダーと軽量な全MLPデコーダーヘッドアーキテクチャを採用しています。