Преглед
InstructPix2Pix ви позволява да редактирате снимка, като напишете проста команда като „направете я зимна“ или „превърнете котката в куче“, без да са необходими маски или инструменти за избор. Той научи дифузионния модел да следва директно инструкциите за редактиране.
Редактирането на инструкции на InstructPix2Pix принадлежи към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество.
Дълбоко гмуркане
InstructPix2Pix (Brooks et al., 2023) е дифузионен модел, фино настроен да приема входно изображение плюс текстова инструкция и да извежда редактираното изображение с едно преминаване напред. Неговият умен трик са данните за обучение: авторите са използвали GPT-3 за генериране на двойки надписи преди и след, след което са използвали Prompt-to-Prompt със стабилна дифузия, за да синтезират съвпадащи двойки изображения преди/след. Това им даде голям набор от данни (оригинално изображение, инструкция, редактирано изображение) тройки, върху които да тренират, всички без ръчно етикетиране. Тъй като инструкциите описват промяна, а не цяла сцена, моделът запазва неспоменатите части от изображението. Той използва две насочващи скали, една за това колко точно следва инструкцията и една за това колко вярно се придържа към оригиналното изображение, което позволява на потребителите да разменят силата на редактиране срещу прецизността.
Техническа информация
Условията на модела както върху изходното изображение, така и върху инструкцията, прилагайки насоки без класификатор по две оси. Една скала претегля текстовата инструкция, другата претегля входното изображение. Повишаването на мащаба на изображението запазва повече от оригинала непокътнат, докато увеличаването на мащаба на текста прави редакцията по-агресивна. Това двойно насочване е това, което позволява на една обща инструкция надеждно да промени един аспект, като същевременно оставя останалата част от снимката разпознаваема.
Овладяване на редактирането на инструкции на InstructPix2Pix
InstructPix2Pix ви позволява да редактирате снимка, като напишете проста команда като „направете я зимна“ или „превърнете котката в куче“, без да са необходими маски или инструменти за избор. Той научи дифузионния модел да следва директно инструкциите за редактиране. Редактирането на инструкции на InstructPix2Pix принадлежи към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество. За да изградите дълбоко разбиране, третирайте редактирането на инструкции на InstructPix2Pix 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 силните екипи, използващи InstructPix2Pix Instruction Editing, 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
Блогър въвежда „добавяне на есенна зеленина“, за да промени кожата на снимка на летен пейзаж за сезонна публикация.
Продавач в електронна търговия инструктира „променете цвета на ризата на тъмносин“, за да създадете цветови варианти на продукта от една снимка.
Учител редактира историческа снимка с „оцветете това“, за да направи черно-бялото архивно изображение ярко за урок.
Създател на меме командва „сложете слънчеви очила на кучето“, без ръчно да маскира лицето на кучето.
Модели на изпълнение
InstructPix2Pix Редактиране на инструкции на практика
Блогър въвежда „добавяне на есенна зеленина“, за да промени кожата на снимка на летен пейзаж за сезонна публикация.
Блогър въвежда „добавяне на есенна зеленина“, за да преоформи лятна пейзажна снимка за сезонна публикация. Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
InstructPix2Pix Редактиране на инструкции на практика
Продавач в електронна търговия инструктира „променете цвета на ризата на тъмносин“, за да създадете цветови варианти на продукта от една снимка.
Продавач в електронна търговия инструктира „променете цвета на ризата на тъмносин“, за да произведете цветови варианти на продукта от един изстрел Екипите обикновено получават по-добри резултати, когато определят прагове за качество отпред, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
InstructPix2Pix Редактиране на инструкции на практика
Учител редактира историческа снимка с „оцветете това“, за да направи черно-бялото архивно изображение ярко за урок.
Учител редактира историческа снимка с „оцветяване на това“, за да направи черно-бялото архивно изображение ярко за урок. 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.
InstructPix2Pix Редактиране на инструкции на практика
Създател на меме командва „сложете слънчеви очила на кучето“, без ръчно да маскира лицето на кучето.
Създател на меме заповядва „сложете слънчеви очила на кучето“, без ръчно да маскирате лицето на кучето. Екипите обикновено получават по-добри резултати, когато определят праговете за качество отпред, 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.