Une équipe de chercheurs de ByteDance Inc. a introduit une nouvelle méthode pour améliorer la qualité des images générées par les modèles de diffusion. Ces modèles, qui transforment le bruit en données structurées, sont devenus essentiels dans le domaine de la vision par ordinateur et de l’intelligence artificielle. Les chercheurs ont intégré une perte perceptuelle à l’entraînement par diffusion en utilisant le modèle de diffusion lui-même en tant que réseau perceptuel. Cette approche génère une perte perceptuelle significative, améliorant ainsi considérablement le réalisme et la qualité des images générées. Contrairement aux méthodes précédentes, cette technique trouve un équilibre entre l’amélioration de la qualité des échantillons et la préservation de la diversité des échantillons, offrant ainsi une méthode d’entraînement plus raffinée pour les modèles de diffusion.
Les évaluations quantitatives démontrent que l’utilisation de l’objectif auto-perceptuel a entraîné des améliorations notables dans les principales mesures, telles que la distance d’inception de Fréchet et le score d’inception. Ces mesures témoignent d’une amélioration significative de la qualité visuelle et du réalisme. Bien que cette nouvelle approche soit encore en retard par rapport à l’orientation sans classifieur en termes de qualité globale des échantillons, elle résout les limitations de l’orientation sans classifieur, telles que la surexposition et la sur-saturation des images. L’incorporation d’un objectif auto-perceptuel lors de l’entraînement par diffusion ouvre de nouvelles possibilités pour la génération d’images hautement réalistes et de qualité supérieure.
La recherche menée par ByteDance Inc. montre que les modèles de diffusion ont réalisé des progrès importants dans la génération d’images. L’intégration d’un objectif auto-perceptuel offre une direction prometteuse pour le développement continu des modèles génératifs. Cette approche peut bénéficier à diverses applications, de la génération artistique aux tâches avancées de vision par ordinateur. Des explorations et des améliorations potentielles supplémentaires dans l’entraînement des modèles de diffusion sont anticipées, ce qui aura un impact sur les futures recherches dans ce domaine.
The source of the article is from the blog lanoticiadigital.com.ar