توليد الصور بالانحدار التلقائي
يقوم توليد الصور بالانحدار التلقائي ببناء الصور قطعة واحدة في كل مرة، مع التنبؤ بكل رمز مميز من كل شيء تم إنشاؤه قبله.
نظرة عامة
It matters because the same next-token machinery powering language models can produce coherent, controllable images.
الغوص العميق
يتعامل توليد الصور بالانحدار التلقائي مع الصورة كتسلسل ويتنبأ بها عنصرًا بعد عنصر، حيث يكون كل عنصر جديد مشروطًا بجميع العناصر السابقة. تنبأت الأعمال المبكرة مثل PixelRNN وPixelCNN بصور بكسل خام واحدة في كل مرة، ومسح صفًا تلو الآخر، وكان ذلك بطيئًا ولكنه نظيف من الناحية النظرية. بدلاً من ذلك، تقوم الأنظمة الحديثة أولاً بضغط الصورة إلى شبكة من الرموز المميزة المنفصلة باستخدام برنامج تشفير على نمط VQ-VAE، ثم يتنبأ المحول بتلك الرموز المميزة من اليسار إلى اليمين. اتبع DALL-E 1 من OpenAI وParti من Google هذه الوصفة، حيث قاما بإنشاء رموز مميزة للصور مشروطة بمطالبة نصية قبل فك تشفيرها مرة أخرى إلى وحدات البكسل. الميزة الكبرى هي نمذجة الاحتمالية الدقيقة والبنية الموحدة المشتركة مع اللغة. التكلفة متسلسلة وبطيئة لأخذ العينات.
البصيرة الفنية
يقوم النموذج بتحليل الاحتمال المشترك لجميع الرموز المميزة إلى منتج الشروط: p(x) = منتج p(x_i نظرا x_1...x_{i-1}). يفرض المحول ذو الاهتمام السببي (المقنع) أن كل موضع يرى فقط الرموز المميزة السابقة. أثناء التدريب، يتنبأ بكل رمز مميز بالتوازي باستخدام تأثير المعلم، ولكن عند الاستدلال، يجب عليه أخذ عينات من رمز مميز واحد في كل مرة، وتغذية كل رمز مرة أخرى. يقوم كتاب الرموز المتعلم بتعيين الرموز المميزة إلى تصحيحات الصورة، والتي يقوم جهاز فك التشفير بتجميعها إلى وحدات بكسل نهائية.
التأثير الاستراتيجي
السرعة والحجم
يمكن للذكاء الاصطناعي المرئي أتمتة مهام الفحص والكشف ووضع العلامات على نطاق واسع.
خيارات البناء
يمكن للفرق الإبداعية إنشاء نماذج أولية للمفاهيم بشكل أسرع مع عدد أقل من المراجعات اليدوية.
الفريق وسير العمل
يمكن أن تستخدم العمليات إشارات الصور والفيديو التي كان من الصعب معالجتها في السابق.
مستقبل توليد الصور ذات الانحدار الذاتي
السرعة هي ساحة المعركة المركزية. تقنيات مثل فك التشفير المتوازي والمقنع (MaskGIT، Muse) تولد العديد من الرموز المميزة في وقت واحد، ويتم تكييف فك التشفير التخميني المستعار من نماذج اللغة مع الصور. يقوم الباحثون أيضًا بتوحيد رموز النص والصور في عمود فقري واحد ذاتي الانحدار حتى يتمكن نموذج واحد من القراءة والرسم، كما هو موضح في الأنظمة متعددة الوسائط. توقع أن تستمر أفكار الانحدار الذاتي والانتشار في المزج، مع نماذج هجينة تستحوذ على إمكانية التحكم في الرموز المميزة وجودة الانتشار.
التنفيذ في العالم الحقيقي
قام DALL-E 1 بإنشاء صور عن طريق التنبؤ التلقائي بشبكة من الرموز المميزة للصور المنفصلة من تعليق نصي.
قام فريق Google's Parti بتحجيم محول الانحدار التلقائي من النص إلى الصورة إلى 20 مليار معلمة للحصول على مشاهد مفصلة ودقيقة.
أظهر كل من PixelCNN وPixelRNN توليد بكسل تلو الآخر بشكل أولي وما زالا يستخدمان كخطوط أساسية للتدريس للنماذج القائمة على الاحتمالية.
يستخدم MaskGIT وMuse فك تشفير الرموز المميزة المقنعة لتسريع عملية تركيب الصور المستندة إلى الرموز المميزة مع الحفاظ على التدريب على أسلوب الانحدار الذاتي.
المخاطر والدرابزين
يمكن أن تصبح حقوق الصور والموافقة مخاطر قانونية إذا كان المصدر غير واضح.
يمكن أن يختلف أداء النموذج عبر الإضاءة والتركيبة السكانية والبيئات.
قد تمر الإيجابيات الكاذبة دون أن يلاحظها أحد ما لم تتم مراقبة عتبات الثقة.
خارطة طريق التنفيذ
تحديد معايير القبول لتكاليف الدقة والاستدعاء والخطأ.
اختبار مع البيانات التي تتوافق مع ظروف الإنتاج الحقيقية.
أضف مراجعة بشرية للتنبؤات منخفضة الثقة أو عالية التأثير.
تتبع انحراف النموذج وإعادة التحقق من صحته بعد تغيير الكاميرا أو مجموعة البيانات.
استمر في الاستكشاف
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
الدليل التالي
توليد الصور بالذكاء الاصطناعي
الأسئلة المتداولة
What is Autoregressive Image Generation?
يقوم توليد الصور بالانحدار التلقائي ببناء الصور قطعة واحدة في كل مرة، مع التنبؤ بكل رمز مميز من كل شيء تم إنشاؤه قبله. وهذا مهم لأن نفس الآلات الرمزية التالية التي تشغل نماذج اللغة يمكنها إنتاج صور متماسكة ويمكن التحكم فيها.
ماذا يعني "الانحدار الذاتي" في سياق توليد الصور؟
تقوم نماذج الانحدار التلقائي بتحليل الصورة كتسلسل، وتتنبأ بكل رمز مميز أو بكسل بناءً على جميع العناصر التي تم إنشاؤها قبلها.
كيف تمثل نماذج الصور ذات الانحدار الذاتي الحديثة مثل DALL-E 1 الصورة قبل التنبؤ بها؟
تقوم الأنظمة الحديثة بضغط الصورة إلى رموز مميزة منفصلة (غالبًا عبر برنامج تشفير بنمط VQ-VAE)، ثم تتنبأ بتسلسل الرمز المميز باستخدام محول.
ما هي النماذج المبكرة التي أنتجت صورًا بكسلًا خامًا واحدًا في كل مرة؟
كانت PixelRNN وPixelCNN رائدة في نماذج الانحدار الذاتي التي قامت بمسح الصور ضوئيًا والتنبؤ بها بكسلًا تلو الآخر.
ما هي الآلية التي تضمن أن لا يحضر المحول إلا الرموز المميزة السابقة أثناء إنشاء الانحدار الذاتي؟
يمنع الإخفاء السببي كل موضع من الاهتمام بالرموز المستقبلية، مما يفرض التحليل من اليسار إلى اليمين.
ما هو العيب العملي الرئيسي لأخذ عينات الصور الانحدار الذاتي؟
نظرًا لأن كل رمز يعتمد على الرموز السابقة، يجب أن يتم تشغيل الاستدلال رمزًا تلو الآخر، مما يجعل عملية الإنشاء بطيئة نسبيًا.