Continual Diffusion

C-LoRA 增強文字至影像擴散模型，可進行持續自訂，並能依序學習細緻概念，且不會忘記先前概念。此方法引進持續自我規範的低秩適應，無需儲存使用者資料進行重播。

主要特色

• 持續學習： C-LoRA 允許文字至影像擴散模型持續進行自訂，並能依序學習新概念，且不會忘記過往概念。
• 低秩適應： 此方法在交叉注意模組中，採用持續且自我規範的低秩權重適應來更新模型參數。
• 隨機特徵初始化： C-LoRA 將自訂代幣初始化為隨機特徵，並從提示中移除概念名稱，增強模型靈活性。

使用案例

• 行動應用程式：行動應用程式能依序學習新的自訂概念，讓使用者在之後生成先前已學習概念的照片。
• 細緻自訂：C-LoRA 能對文字至影像模型進行細緻的自訂，使其適用於特定細節非常重要的應用程式。
• 概念學習與生成：此方法可用於教授模型新概念，並根據這些概念生成影像。

結論

C-LoRA 方法能讓文字至影像擴散模型持續自訂，並能依序學習新概念，克服災難性遺忘問題。C-LoRA 展示了最先進的成果，使其成為一系列廣泛應用領域的潛在解決方案，包括影像分類中的持續學習，以及文字至影像生成的持續自訂。