V oblasti umelej inteligencie boli počítače schopné vytvoriť vlastné „umenie“ prostredníctvom difúznych modelov, postupne rafinujúc začiatočný šum na generovanie čistých obrázkov alebo videí. Avšak tento proces bol vždy časovo náročný, vyžadoval množstvo iterácií na dokonalosť konečného výsledku. To platilo až doteraz.
Výskumníci z MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) vyvinuli revolučný rámec, ktorý mení spôsob fungovania difúznych modelov. Ich nový prístup, známy ako distribučné zladenie destilácie (DMD), výrazne znižuje výpočtový čas, zatiaľ čo udržiava kvalitu generovaného vizuálneho obsahu, jednoduchým spôsobom zjednocujúc mnoho krokov do jedného.
Na rozdiel od predchádzajúcich metód, ktoré spočívali vo fázovitom vylepšovaní, rámec DMD využíva model učiteľa-študenta, kde nový počítačový model sa učí napodobňovať správanie sa komplexnejších pôvodných modelov. Táto technika zabezpečuje rýchlu generáciu obrázkov bez toho, aby sa kompromitovala kvalita. V skutočnosti rámec DMD prekonáva predchádzajúce difúzne modely, ako sú Stable Diffusion a DALLE-3, pokiaľ ide o rýchlosť, generujúc obrázky až 30-krát rýchlejšie.
Kľúč k úspechu DMD spočíva v jeho dvojúrovňovom prístupe. Najprv používa regresnú stratu na mapovanie a stabilizáciu procesu vzdelávania. Potom využíva stratu distribúcie zladených obrazov k zabezpečeniu, že generované obrázky korešpondujú s frekvenciami skutočnosti. Využitím znalostí dvoch difúznych modelov DMD zjednocuje zložitosť pôvodných modelov do jednoduchšieho, rýchlejšieho modelu, obchádzajúc bežné problémy, ako je nestabilita a kolaps režimu.
Na tréning nového modelu výskumníci použili predtrénované siete a doladili ich parametre na základe pôvodných modelov. To umožnilo rýchlu konvergenciu a schopnosť produkovať obrázky vysokej kvality s rovnakými architektonickými základmi. Rámec DMD tiež preukázal konzistentný výkon v rôznych benchmarkoch, zahmlievanie výsledkov viac komplexných modelov, pokiaľ ide o kvalitu generovania obrázkov.
Hoci je DMD dôležitým prielomom, stále je priestor pre zlepšenie. Kvalita generovaných obrázkov závisí na schopnostiach modelu učiteľa, ktorý sa používa počas destilačného procesu. Napríklad zobrazovanie detailného textu a malých tvárí stále môže predstavovať výzvy. Avšak s pokrokom v modeloch učiteľov sa tieto obmedzenia môžu prekonať a ďalej zvyšovať kvalitu generovaných obrázkov.
Dôsledky jednostupňového difúzneho modelu sú obrovské. Nástroje na dizajn môžu byť vylepšené, čo umožní rýchlejšie tvorbu obsahu. Priemyselné odvetvia ako objavovanie liekov a modelovanie 3D môžu profitovať z rýchlejších a efektívnejších procesov. Rámec DMD otvára možnosti pre úpravu vizuálnych efektov v reálnom čase, ktorá kombinuje flexibilitu a vysokú vizuálnu kvalitu difúznych modelov s výkonom GANs.
S tým, že práca výskumného tímu bola prezentovaná na konferencii o počítačovom videní a rozpoznávaní vzorov v júni, je zrejmé, že budúcnosť generovania obrázkov sa rýchlo mení. Kombinácia rýchlosti, kvality a efektívnosti poskytnutá rámcom DMD predstavuje významný míľnik v oblasti umelej inteligencie.
FAQ
The source of the article is from the blog combopop.com.br