美女一级毛片免费不卡视频,久久成人免费网站,91精品国产爱久久久久

這種獨特的步驟使eDiff-I對其生成的內(nèi)容有更強的控制。除了將文本生成圖像外，eDiff-I模型還有兩個功能——風(fēng)格轉(zhuǎn)移，允許使用參考圖像的風(fēng)格來控制生成的圖案的風(fēng)格，以及“用文字繪畫”，用戶可以通過在虛擬畫布上繪制分割圖來創(chuàng)建圖像，這個功能對于用戶創(chuàng)建特定場景的圖像非常方便。

提出一種新的去噪過程

擴散模型的合成通常是通過一系列迭代去噪過程進行的，這些流程通過隨機噪音逐漸生成圖像，在整個去噪過程中使用同一個去噪器神經(jīng)網(wǎng)絡(luò)。eDiff-I模型采用了另一種獨特的去噪方法，該模型在生成過程的不同時期內(nèi)訓(xùn)練專門用于去噪的去噪器集合。Nvidia將這種新的去噪網(wǎng)絡(luò)稱為“專家級去噪器”，并稱這一過程極大地提高了圖像生成的質(zhì)量。

eDiff-I去噪架構(gòu)

Deepgram的首席執(zhí)行官Scott Stephenson表示，eDiff-I提出的新方法可以被運用到DALL-E或Stable Diffusion的新版本中，使合成圖像在質(zhì)量和控制能力方面取得重大進步。Stephenson指出，這肯定會增加訓(xùn)練模型的復(fù)雜性，但在生產(chǎn)使用過程中并沒有明顯增加計算的復(fù)雜性。能夠分割和定義所產(chǎn)生的圖像的每個組成部分的樣子，可以加速圖像創(chuàng)作過程。這種方法能讓人和機器更加緊密地合作。

比同時期的其他AI文轉(zhuǎn)圖生成器更好？

與其他同時期的產(chǎn)品如DALL-E 2和Imagen只使用單一的編碼器（如CLIP或T5）不同，eDiff-I的架構(gòu)在同一模型中使用兩個編碼器。這樣的架構(gòu)使eDiff-I能夠從相同的文本輸入中產(chǎn)生大量不同的視覺效果。

CLIP為創(chuàng)建的圖像提供了風(fēng)格化的效果，然而，輸出的圖像經(jīng)常遺漏文本信息。而使用T5文本嵌入創(chuàng)建的圖像可以根據(jù)文本信息產(chǎn)生更好的內(nèi)容。通過結(jié)合它們，eDiff-I產(chǎn)生了集成這兩種優(yōu)點的圖像。

相同文本輸入下的圖像變化

開發(fā)團隊還發(fā)現(xiàn)，文本信息的描述性越強，T5的表現(xiàn)就越比CLIP好，而且將兩者結(jié)合起來會產(chǎn)生更好的合成輸出。該模型還在標(biāo)準(zhǔn)數(shù)據(jù)集（如MS-COCO）上進行了模型評估，表明CLIP+T5的trade-off曲線明顯優(yōu)于單獨的任何一種。根據(jù)Frechet Inception Distance（FID）——這是一種評估人工智能生成的圖像質(zhì)量的指標(biāo)，eDiff-I的表現(xiàn)優(yōu)于DALL-E 2、Make-a-Scene、GLIDE和Stable Diffusion等競爭對手。

Zero-shot FID得分比較

Nvidia的研究稱，在對簡單和詳細(xì)的文字說明生成的圖像進行比較時，DALL-E 2和Stable Diffusion都未能根據(jù)文字說明準(zhǔn)確合成圖像。此外，該研究發(fā)現(xiàn)，其他生成模型要么會產(chǎn)生錯誤的信息，要么忽略了一些屬性。同時，eDiff-I可以在大量樣本基礎(chǔ)上正確地從英文文本中建立特征模型。

生成式AI的當(dāng)前挑戰(zhàn)

當(dāng)下文轉(zhuǎn)圖的擴散模型可能使藝術(shù)表達大眾化，為用戶提供了產(chǎn)生細(xì)致和高質(zhì)量圖像的能力，而不需要專門技能。然而，它們也可以被用于進行照片處理，以達到惡意目的或創(chuàng)造欺騙性或有害的內(nèi)容。

生成模型和AI圖像編輯的最新研究進展對圖像的真實度和其他方面有著較大的影響。Nvidia表示，可通過自動驗證圖像真實性和檢測偽造的內(nèi)容來應(yīng)對此類挑戰(zhàn)。

目前大規(guī)模文轉(zhuǎn)圖生成模型的訓(xùn)練數(shù)據(jù)集大多未經(jīng)過濾，可能包含由模型捕獲并反映在生成數(shù)據(jù)中的偏差。因此，需要意識到基礎(chǔ)數(shù)據(jù)中的這種偏差，并通過積極收集更具代表性的數(shù)據(jù)或使用偏差校正方法來抵消偏差。

Stephenson指出，生成式人工智能圖像模型面臨著與其他人工智能領(lǐng)域相同的倫理挑戰(zhàn)：訓(xùn)練數(shù)據(jù)的出處和理解它如何被用于模型中，大的圖像標(biāo)注數(shù)據(jù)集可能包含受版權(quán)保護的材料，而且往往無法解釋受版權(quán)保護的材料是如何（或是否）被應(yīng)用在最終生成出來的圖像的。

生成式AI的未來

reVolt公司的創(chuàng)始人兼首席執(zhí)行官Kyran McDonnell表示，盡管現(xiàn)在的文轉(zhuǎn)圖模型已經(jīng)做得特別好，但還是缺乏必要的架構(gòu)來構(gòu)建正確理解現(xiàn)實所需的先驗條件。他說：“有了足夠的訓(xùn)練數(shù)據(jù)和更好的模型，生成的圖像將能夠近似于現(xiàn)實，但模型還是不會真正理解生成的圖像。在這個根本問題得到解決之前，我們?nèi)匀粫吹竭@些模型犯一些常識性錯誤。”

McDonnell認(rèn)為，下一代文轉(zhuǎn)圖的架構(gòu)，如eDiff-I，將解決目前的許多問題。他還說：“仍然會出現(xiàn)構(gòu)圖錯誤，但質(zhì)量將類似于現(xiàn)在生成人臉的GANs，我們會在幾個應(yīng)用領(lǐng)域看到生成式AI的更多應(yīng)用。根據(jù)一個品牌的風(fēng)格和‘氛圍’訓(xùn)練出來的生成模型可以產(chǎn)生無限的創(chuàng)意，企業(yè)應(yīng)用的空間很大，而生成性式AI還沒有迎來它的‘輝煌時刻’?！?/p>

生成式AI的未來

FAQ

問：eDiff-I與其他文轉(zhuǎn)圖模型有何不同？
- 答：eDiff-I使用了多個編碼器和去噪器集合，使其在文本到圖像生成時擁有更高的靈活性和控制力，與其他只使用單一編碼器的模型相比，eDiff-I能夠產(chǎn)生更多樣的視覺效果。
問：eDiff-I在圖像生成質(zhì)量上有什么優(yōu)勢？
- 答：根據(jù)Frechet Inception Distance（FID）指標(biāo)，eDiff-I在圖像生成質(zhì)量上優(yōu)于DALL-E 2、Make-a-Scene等其他競爭對手，能夠更準(zhǔn)確地將文本描述轉(zhuǎn)化為圖像。
問：生成式AI在應(yīng)用中面臨哪些挑戰(zhàn)？
- 答：生成式AI在應(yīng)用中面臨的數(shù)據(jù)偏差、倫理問題以及生成內(nèi)容的真實性挑戰(zhàn)，需要通過更好的數(shù)據(jù)收集和算法調(diào)整來應(yīng)對。
問：未來的生成式AI發(fā)展方向是什么？
- 答：未來的生成式AI將繼續(xù)在理解和生成逼真圖像的能力上提升，同時在多個應(yīng)用領(lǐng)域中實現(xiàn)更多創(chuàng)意和商業(yè)應(yīng)用。
問：如何提高生成模型的訓(xùn)練數(shù)據(jù)質(zhì)量？
- 答：可以通過過濾和標(biāo)注高質(zhì)量數(shù)據(jù)，提高數(shù)據(jù)的代表性和準(zhǔn)確性，從而提高生成模型的訓(xùn)練數(shù)據(jù)質(zhì)量。