Naujausias perspektyvus patarimas skaitmenų vaizdų generavimui sukuria naują požiūrį į dirbtinio intelekto srityje naudojamus difuzijos modelius. Skirtingai nei ankstesniais metodais, kurie remėsi iteratyviu pilnavertės informacijos tvarkymu, DMD supaprastina daugiapakopį procesą į vieną žingsnį, ženkliai sumažindamas skaičiavimo laiką, tuo pačiu išlaikydamas sukurtų vaizdų kokybę.
DMD prarado vystytojai iš MIT Kompiuterijos ir dirbtinio intelekto laboratorijos (CSAIL) sukūrė revoliucinį karkasą, kuris pertvarko difuzijos modelių veikimo būdą. Vereikė to, šis sprendimas, žinomas kaip skirstymo atitikties distiliavimas (DMD), žymiai sumažina skaičiavimo laiką išlaikydamas sukurtų vizualinių turinio kokybę.
Šis naujas metodas panaudoja mokytojės-mokinio modelį, kuriame naujas kompiuterinis modelis mokosi imituoti sudėtingesnių originalių modelių elgesį. Ši technika užtikrina greitą vaizdų generavimą nekompromituojant kokybės. Iš tikro, DMD karkasas pranoksta ankstesnius difuzijos modelius, tokius kaip Stabilios Difuzija ir DALIE-3 greičiu, kuris generuoja vaizdus net iki 30 kartų greičiau.
DMD sėkmingo darbo pagrindas slypi jo dviejų komponentų požiūre. Pirmiausia, jis naudoja regresijos praradimą, kad stabilizuotų mokymo procesą. Tada jis naudoja skirstymo atitikties nuostolį, užtikrindamas, kad sukurti vaizdai atitiktų realaus pasaulio atsiradimo dažnius. Panaudodamas dviejų difuzijos modelių žinias, DMD centriniai modelis, išplečia originalių modelių sudėtingumą į paprastesnį, greitesnį modelį, vengiant dažnų problemų, pvz., destabilizacijos ir režimų nykimo.
Norint treniruoti naują modelį, tyrėjai naudojo iš anksto parengtas tinklo ir jų parametrus sureguliavo remdamiesi originaliais modeliais. Tai įgalino greitą konvergenciją ir galimybę gaminti kokybiškus vaizdus su tuo pačiu architektūriniu pagrindu. DMD karkasas taip pat parodė konsistentišką darbą skirtinguose vertinimuose, konkuruodamas su rezultatais gautais sudėtingesnių modelių tinkamumo atžvilgiu vaizdų generavimui.
Nors DMD yra reikšmingas išradimas, vis dar yra vietos tobulinimui. Sukurtų vaizdų kokybė priklauso nuo mokytojo modelio gebėjimų, naudotų distiliavimo procese. Pavyzdžiui, išsamios teksto ir mažų veidų atvaizdavimas gali kelti iššūkius. Tačiau su naujais mokytojo modeliais šie apribojimai gali būti įveikti, dar labiau gerinant sukurtus vaizdo atvaizdus.
DMD vieno žingsnio difuzijos modelio įtaka yra plačių mastų. Dizaino įrankiai gali būti patobulinti, leidžiant greitesnį turinio kūrimą. Pramonės šakos, tokios kaip vaistų atradimas ir 3D modeliavimas, gali gauti naudos iš greitesnių ir efektyvesnių procesų. DMD karkasas atveria galimybes realiu laiku atliekamam vizualiniam redagavimui, kuris jungia difuzijos modelių universalumą ir aukštą vizualinę kokybę GANų veiksmingumu.
Šio tyrimo komandos darbas, pristatytas birželio mėnesį vykusioje Kompiuterijos regėjimo ir modeliavimo konferencijoje, aiškiai rodo, kad skaitmenų vaizdų generavimo ateitis sparčiai kinta. DMD karkaso suteikiamas greitis, kokybė ir efektyvumas pažymi svarbų punktą dirbtinio intelekto srityje.
DUK
The source of the article is from the blog oinegro.com.br