Преглед
Авторегресивното генериране на изображения изгражда картини една част по една, предсказвайки всеки токен от всичко, генерирано преди него. Има значение, защото една и съща машина за следващ токен, захранваща езиковите модели, може да произвежда съгласувани, контролируеми изображения.
Авторегресивното генериране на изображения принадлежи към работните потоци за компютърно зрение, които интерпретират или генерират визуални медии за анализ, операции и творчество.
Дълбоко гмуркане
Авторегресивното генериране на изображения третира картина като последователност и я предсказва елемент по елемент, където всеки нов елемент е обусловен от всички предишни. Ранни разработки като PixelRNN и PixelCNN предвиждаха изображения един необработен пиксел наведнъж, сканирайки ред по ред, което беше бавно, но теоретично чисто. Съвременните системи вместо това първо компресират изображение в мрежа от отделни токени, използвайки енкодер в стил VQ-VAE, след което Transformer предвижда тези токени отляво надясно. DALL-E 1 на OpenAI и Parti на Google последваха тази рецепта, генерирайки токени за изображения, обусловени от текстова подкана, преди да ги декодират обратно в пиксели. Голямото предимство е точното моделиране на вероятността и унифицирана архитектура, споделена с езика. Цената е последователно, бавно вземане на проби.
Техническа информация
Моделът факторизира общата вероятност на всички токени в продукт на условни условия: p(x) = продукт на p(x_i дадено x_1...x_{i-1}). Трансформатор с каузално (маскирано) внимание налага всяка позиция да вижда само по-ранни токени. По време на обучението той предсказва всеки токен паралелно, като използва форсирането на учителя, но при заключение трябва да взема проби един токен наведнъж, подавайки всеки обратно. Научената кодова книга картографира токените обратно към пачове на изображения, които декодерът преобразува в крайни пиксели.
Овладяване на авторегресивно генериране на изображения
Авторегресивното генериране на изображения изгражда картини една част по една, предсказвайки всеки токен от всичко, генерирано преди него. Има значение, защото една и съща машина за следващ токен, захранваща езиковите модели, може да произвежда съгласувани, контролируеми изображения. Авторегресивното генериране на изображения принадлежи към работните потоци за компютърно зрение, които интерпретират или генерират визуални медии за анализ, операции и творчество. За да изградите дълбоко разбиране, третирайте авторегресивното генериране на изображения като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи авторегресивно генериране на изображения, балансират точността с оперативните реалности като качество на данните, вариация на осветлението и последователност на етикетите. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб. В същото време правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб.
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии.
Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка.
Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
DALL-E 1 генерира изображения чрез авторегресивно прогнозиране на решетка от дискретни токени на изображение от текстов надпис.
Parti на Google мащабира авторегресивен трансформатор на текст към изображение до 20 милиарда параметъра за детайлни, бързи и верни сцени.
PixelCNN и PixelRNN демонстрираха необработено генериране пиксел по пиксел и все още се използват като базови линии за обучение за модели, базирани на вероятности.
MaskGIT и Muse използват паралелно декодиране на маскиран токен, за да ускорят базирания на токен синтез на изображения, като същевременно поддържат обучение в авторегресивен стил.
Модели на изпълнение
Авторегресивно генериране на изображения на практика
DALL-E 1 генерира изображения чрез авторегресивно прогнозиране на решетка от дискретни токени на изображение от текстов надпис.
DALL-E 1 генерира изображения чрез авторегресивно предсказване на решетка от отделни символи на изображение от текстов надпис. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Авторегресивно генериране на изображения на практика
Parti на Google мащабира авторегресивен трансформатор на текст към изображение до 20 милиарда параметъра за детайлни, бързи и верни сцени.
Parti на Google мащабира авторегресивен преобразувател на текст към изображение до 20 милиарда параметъра за детайлни, бързи и верни сцени. Екипите обикновено получават по-добри резултати, когато предварително определят прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Авторегресивно генериране на изображения на практика
PixelCNN и PixelRNN демонстрираха необработено генериране пиксел по пиксел и все още се използват като базови линии за обучение за модели, базирани на вероятности.
PixelCNN и PixelRNN демонстрираха необработено генериране пиксел по пиксел и все още се използват като базови линии за преподаване на базирани на вероятности модели. Екипите обикновено получават по-добри резултати, когато дефинират праговете на качеството предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Авторегресивно генериране на изображения на практика
MaskGIT и Muse използват паралелно декодиране на маскиран токен, за да ускорят базирания на токен синтез на изображения, като същевременно поддържат обучение в авторегресивен стил.
MaskGIT и Muse използват паралелно декодиране на маскиран токен, за да ускорят базирания на токен синтез на изображения, като същевременно поддържат обучение в авторегресивен стил. Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат човешки път на ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен.
Производителността на модела може да варира в зависимост от осветлението, демографските данни и средата.
Фалшивите положителни резултати могат да останат незабелязани, освен ако не се наблюдават праговете на достоверност.
Пътна карта за изпълнение
Определете критерии за приемане за прецизност, извикване и разходи за грешки.
Определете критерии за приемане за прецизност, извикване и разходи за грешки. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Тествайте с данни, които съответстват на реалните производствени условия.
Тествайте с данни, които съответстват на реалните производствени условия. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие.
Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни.
Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.