GLIGEN የተመሠረተ ትውልድ

It turns vague text-to-image into precise, layout-controllable synthesis.

መደበኛ የጽሑፍ-ወደ-ምስል ሞዴሎች ከቦታ ቁጥጥር ጋር ይታገላሉ፡ 'ከውሻ በስተግራ ያለ ድመት' ይጠይቁ እና ምደባው ብዙ ጊዜ ይሳሳታል። በ2023 የተዋወቀው GLIGEN ይህንን የሚፈታው እንደ የጽሑፍ ወይም የምስል አካላት፣ ቁልፍ ነጥቦች ወይም የማጣቀሻ ምስሎች የተጣመሩ እንደ ማሰሪያ ሳጥኖች ያሉ የመሬት ላይ ግብአቶችን በመጨመር ነው። በወሳኝ ሁኔታ፣ የመጀመሪያውን ቀድሞ የሰለጠነ ስርጭት ሞዴል ክብደትን ያቀዘቅዛል እና አዲስ ሊሰለጥኑ የሚችሉ የራስ ትኩረት ንብርብሮችን በመርፌ የመሠረት ምልክቶችን ያስገባል። ይህ ማለት የተማረውን እውቀቱን ሳያጠፋ እንደ Stable Diffusion ባለው ሞዴል ላይ ይገነባል እና መግቢያው የሚጀምረው ከዜሮ አጠገብ ነው ስለዚህ የመሠረታዊ ሞዴል ባህሪ በስልጠና መጀመሪያ ላይ ተጠብቆ ይቆያል። ውጤቱም ክፍት-ዓለም ላይ የተመሰረተ ትውልድ ነው፡ በዘፈቀደ የተገለጹ ነገሮችን በተገለጹ ቦታዎች ላይ ማስቀመጥ ይችላሉ፣ እና በመሬት አቀማመጥ ስልጠና ወቅት የማይታዩ ፅንሰ ሀሳቦችን እና አቀማመጦችን ያጠቃልላል።