Autoregressive ምስል ማመንጨት
ራስ-ሰር የምስል ማመንጨት ምስሎችን አንድ በአንድ በአንድ ጊዜ ይገነባል ፣ እያንዳንዱን ምልክት ከእሱ በፊት ከተፈጠሩት ነገሮች ሁሉ ይተነብያል።
አጠቃላይ እይታ
It matters because the same next-token machinery powering language models can produce coherent, controllable images.
ጥልቅ ዳይቭ
Autoregressive ምስል ማመንጨት ሥዕልን እንደ ቅደም ተከተል ይቆጥረዋል እና እያንዳንዱ አዲስ ኤለመንቱ በቀደሙት ሁሉ ላይ በሚስተካከልበት ኤለመንት ይተነብያል። እንደ PixelRNN እና PixelCNN ያሉ ቀደምት ስራዎች ምስሎችን አንድ ጥሬ ፒክሰል በአንድ ጊዜ ተንብየዋል፣ በረድፍ በመቃኘት ቀርፋፋ ነገር ግን በንድፈ ሀሳብ ንጹህ። ዘመናዊ ሲስተሞች በምትኩ መጀመሪያ ምስልን ወደ ፍርግርግ የዲስክሪት ቶከኖች የVQ-VAE-style ኢንኮደር በመጠቀም፣ ከዚያም ትራንስፎርመር እነዚህን ምልክቶች ከግራ ወደ ቀኝ ይተነብያል። የOpenAI's DALL-E 1 እና Google's Parti ይህንን የምግብ አሰራር ተከትለው ወደ ፒክስልስ ከመመለሳቸው በፊት በፅሁፍ መጠየቂያ ላይ የተስተካከሉ የምስል ቶከኖችን አመነጨ። ትልቁ ጥቅም ትክክለኛ ሞዴሊንግ እና ከቋንቋ ጋር የተጋራ የተዋሃደ አርክቴክቸር ነው። ዋጋው በቅደም ተከተል ነው, ዘገምተኛ ናሙና.
ቴክኒካዊ ግንዛቤ
ሞዴሉ የሁሉንም ቶከኖች የጋራ ዕድል ወደ ሁኔታዊ ሁኔታዎች ምርት ያደርገዋል፡ p(x) = p (x_i የተሰጠው x_1...x_{i-1})። የምክንያት (ጭምብል) ትኩረት ያለው ትራንስፎርመር እያንዳንዱ ቦታ የቀድሞ ምልክቶችን ብቻ እንደሚያይ ያስገድዳል። በስልጠና ወቅት አስተማሪን በማስገደድ እያንዳንዱን ቶከን በትይዩ ይተነብያል፣ ነገር ግን በምርመራው አንድ ቶከን በአንድ ጊዜ ናሙና ማድረግ አለበት፣ እያንዳንዱን ወደ ውስጥ ይመገባል። የተማረ የኮድ ቡክ ካርታዎች ወደ ምስሎች መጠገኛዎች ይመለሳሉ፣ ይህም ዲኮደር ወደ መጨረሻ ፒክሰሎች ይጨመራል።
ስልታዊ ተጽእኖ
ፍጥነት እና ልኬት
ቪዥዋል AI የመመርመሪያ፣ የማወቅ እና የመለያ ስራዎችን በሚዛን መጠን በራስ ሰር ሊያደርግ ይችላል።
ምርጫዎችን ይገንቡ
የፈጠራ ቡድኖች በጥቂት የእጅ ክለሳዎች ጽንሰ-ሀሳቦችን በፍጥነት መተየብ ይችላሉ።
ቡድን እና የስራ ፍሰት
ክዋኔዎች ከዚህ ቀደም ለማስኬድ አስቸጋሪ የነበሩትን የምስል እና የቪዲዮ ምልክቶችን መጠቀም ይችላሉ።
የ Autoregressive ምስል ትውልድ የወደፊት
ፍጥነት ማዕከላዊ የጦር ሜዳ ነው። እንደ ትይዩ እና ጭምብል ቶከን ዲኮዲንግ (MaskGIT፣ Muse) ያሉ ቴክኒኮች በአንድ ጊዜ ብዙ ቶከኖችን ያመነጫሉ፣ እና ከቋንቋ ሞዴሎች የተበደሩት ግምታዊ ዲኮዲንግ ከምስሎች ጋር እየተስማማ ነው። ተመራማሪዎች በመልቲሞዳል ሲስተም ውስጥ እንደሚታየው አንድ ሞዴል ማንበብ እና መሳል እንዲችል ተመራማሪዎች የጽሑፍ እና የምስል ምልክቶችን በአንድ አውቶማቲክ የጀርባ አጥንት ውስጥ በማዋሃድ ላይ ናቸው። የቶከኖችን ተቆጣጣሪነት እና የስርጭት ጥራትን ከሚይዙ ድብልቅ ሞዴሎች ጋር አውቶማቲክ እና የማሰራጨት ሀሳቦች መቀላቀላቸውን እንዲቀጥሉ ይጠብቁ።
የእውነተኛ-ዓለም አተገባበር
DALL-E 1 ምስሎችን የመነጨው ከጽሑፍ መግለጫ ጽሑፍ የልዩ ምስሎችን ፍርግርግ በራስ-ሰር በመተንበይ ነው።
Google's Parti ራስ-ሰር የጽሑፍ-ወደ-ምስል ትራንስፎርመርን ለዝርዝር ፈጣን ታማኝ ትዕይንቶች ወደ 20 ቢሊዮን መለኪያዎች አሳድጓል።
PixelCNN እና PixelRNN ጥሬ ፒክሴል-በፒክሰል ማመንጨትን አሳይተዋል እና አሁንም እንደ እድል-ተኮር ሞዴሎች እንደ ማስተማሪያ መስመሮች ያገለግላሉ።
ማስክ ጂአይቲ እና ሙሴ የራስ-ሪግሬግሲቭ-ስታይል ስልጠናን በሚጠብቁበት ጊዜ ማስመሰያ ላይ የተመሰረተ የምስል ውህደትን ለማፋጠን ትይዩ ማስመሰያ-ቶከን ዲኮዲንግ ይጠቀማሉ።
አደጋዎች እና የጥበቃ መንገዶች
የምስል መብቶች እና ፈቃድ ግልጽ ካልሆነ ህጋዊ አደጋዎች ሊሆኑ ይችላሉ።
የሞዴል አፈጻጸም በብርሃን፣ በስነ-ሕዝብ እና በአካባቢው ሊለያይ ይችላል።
የመተማመን ገደቦች ካልተቆጣጠሩ የውሸት አወንታዊ ነገሮች ላይታዩ ይችላሉ።
የትግበራ ፍኖተ ካርታ
ለትክክለኛነት፣ ለማስታወስ እና ለስህተት ወጪዎች የመቀበያ መስፈርቶችን ይግለጹ።
ከእውነተኛ የምርት ሁኔታዎች ጋር በሚዛመድ ውሂብ ይሞክሩ።
ለዝቅተኛ እምነት ወይም ከፍተኛ ተጽዕኖ ትንበያ የሰው ግምገማን ያክሉ።
ከካሜራ ወይም የውሂብ ስብስብ ለውጦች በኋላ የሞዴሉን ተንሸራታች ይከታተሉ እና እንደገና ያረጋግጡ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Autoregressive Image Generation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
AI ምስል ማመንጨት
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Autoregressive Image Generation?
ራስ-ሰር የምስል ማመንጨት ምስሎችን አንድ በአንድ በአንድ ጊዜ ይገነባል ፣ እያንዳንዱን ምልክት ከእሱ በፊት ከተፈጠሩት ነገሮች ሁሉ ይተነብያል። ተመሳሳይ ቀጣይ-ቶከን ማሽነሪ የቋንቋ ሞዴሎች ወጥነት ያለው ቁጥጥር ሊደረግባቸው የሚችሉ ምስሎችን ሊያዘጋጁ ስለሚችሉ አስፈላጊ ነው።
በምስል ማመንጨት አውድ ውስጥ 'autoregressive' ምን ማለት ነው?
Autoregressive ሞዴሎች ምስሉን እንደ ቅደም ተከተል ያደርጉታል, እያንዳንዱን ቶከን ወይም ፒክሰል ከእሱ በፊት በተፈጠሩት ሁሉም ንጥረ ነገሮች ላይ በመመርኮዝ ይተነብያል.
እንደ DALL-E 1 ያሉ ዘመናዊ አውቶሪግሬሲቭ የምስል ሞዴሎች ምስልን ከመተንበያቸው በፊት እንዴት ይወክላሉ?
ዘመናዊ ሲስተሞች ምስሉን ወደ ተለያዩ ቶከኖች (ብዙውን ጊዜ በVQ-VAE-style ኢንኮደር) ይጨመቃሉ፣ ከዚያ የዚያን የማስመሰያ ቅደም ተከተል በTransformer ይተነብዩ።
በአንድ ጊዜ አንድ ጥሬ ፒክሰል ምስሎችን ያመነጩት የመጀመሪያዎቹ ሞዴሎች የትኞቹ ናቸው?
PixelRNN እና PixelCNN ምስሎችን ፒክሰል በፒክሰል የሚቃኙ እና የሚተነብዩ ፈር ቀዳጅ ሞዴሎች ነበሩ።
አንድ ትራንስፎርመር በቀድሞ ቶከኖች ላይ በራስ-ሰር በሚፈጠርበት ጊዜ ብቻ እንዲከታተል የሚያደርገው የትኛው ዘዴ ነው?
የምክንያት መሸፈኛ እያንዳንዱን ቦታ ወደ ፊት ቶከኖች እንዳይከታተል ያግዳል፣ ይህም ከግራ ወደ ቀኝ መፈጠርን ያስገድዳል።
የ autoregressive ምስል ናሙና ዋና ተግባራዊ እክል ምንድን ነው?
እያንዳንዱ ማስመሰያ በቀድሞዎቹ ላይ ስለሚወሰን፣ ኢንፈረንስ በቶከን ማስኬድ አለበት፣ ይህም ትውልድ በአንጻራዊ ሁኔታ ቀርፋፋ ያደርገዋል።