Преглед
VQ-VAE компресира изображения, аудио или видео в малка мрежа от дискретни кодове, извлечени от научена кодова книга, вместо непрекъснати числа. Това дискретно тясно място позволява на мощни модели на последователност като Transformers да третират медиите като „токени“, подобно на думите.
VQ-VAE и Discrete Latents принадлежат към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество.
Дълбоко гмуркане
VQ-VAE (Vector Quantized Variational Autoencoder), въведен от van den Oord и колеги от DeepMind през 2017 г., е автоенкодер, чието латентно пространство е дискретно. Енкодерът превръща изображението в мрежа от непрекъснати вектори; след това всеки вектор се прихваща до най-близкия си запис в научена кодова книга на вграждания (векторно квантуване). Декодерът реконструира изображението от тези квантувани кодове. Тъй като латентите вече са ограничен речник от индекси, отделен модел може да научи тяхното разпределение и да генерира ново съдържание. Тази двуетапна рецепта захранва DALL-E 1, Jukebox за музика и VQGAN, което добавя перцептивна и конкурентна загуба за по-отчетливи реконструкции. VQ-VAE-2 подреди множество разделителни способности, за да създаде изображения с висока прецизност.
Техническа информация
Стъпката на квантуване (argmin търсене на най-близкия съсед) е недиференцируема, така че VQ-VAE използва директен оценител: градиентите се копират директно от входа на декодера обратно към изхода на енкодера, сякаш квантуване е идентичността. Обучението съчетава загуба на реконструкция, загуба на кодова книга, изтегляща вграждания към изходите на енкодера, и загуба на ангажираност, поддържаща енкодера ангажиран с избраните от него кодове. Често срещана повреда е колапсът на кодовата книга, при който се използват само няколко кода.
Овладяване на VQ-VAE и дискретни латенти
VQ-VAE компресира изображения, аудио или видео в малка мрежа от дискретни кодове, извлечени от научена кодова книга, вместо непрекъснати числа. Това дискретно тясно място позволява на мощни модели на последователност като Transformers да третират медиите като „токени“, подобно на думите. VQ-VAE и Discrete Latents принадлежат към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество. За да изградите дълбоко разбиране, третирайте VQ-VAE и Discrete Latents 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 VQ-VAE и Discrete Latents, 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 използва дискретен VQ-VAE токенизатор, така че Transformer да може да генерира изображения като последователности от индекси на кодова книга.
VQGAN комбинира VQ-VAE със съпернически и перцептивни загуби, за да произведе ясни изображения с висока разделителна способност за генериране на изкуство.
Jukebox на OpenAI приложи VQ-VAE към необработено аудио, компресирайки музика в дискретни кодове за генеративно моделиране.
VQ-VAE-2 подрежда йерархични дискретни латенти, за да синтезира разнообразни, висококачествени изображения, съперничещи на GAN от своята ера.
Модели на изпълнение
VQ-VAE и дискретни латенти на практика
DALL-E 1 използва дискретен VQ-VAE токенизатор, така че Transformer да може да генерира изображения като последователности от индекси на кодова книга.
DALL-E 1 използва дискретен VQ-VAE токенизатор, така че Transformer да може да генерира изображения като последователности от индекси на кодова книга. 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.
VQ-VAE и дискретни латенти на практика
VQGAN комбинира VQ-VAE със съпернически и перцептивни загуби, за да произведе ясни изображения с висока разделителна способност за генериране на изкуство.
VQGAN комбинира VQ-VAE със състезателни и перцептивни загуби, за да произведе ясни жетони за изображения с висока разделителна способност за генериране на изкуство. 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.
VQ-VAE и дискретни латенти на практика
Jukebox на OpenAI приложи VQ-VAE към необработено аудио, компресирайки музика в дискретни кодове за генеративно моделиране.
Jukebox на OpenAI приложи VQ-VAE към необработено аудио, компресирайки музика в дискретни кодове за генеративно моделиране. 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.
VQ-VAE и дискретни латенти на практика
VQ-VAE-2 подрежда йерархични дискретни латенти, за да синтезира разнообразни, висококачествени изображения, съперничещи на GAN от своята ера.
VQ-VAE-2 подрежда йерархични дискретни латенти, за да синтезира разнообразни изображения с висока прецизност, съперничещи на GAN от своята ера. 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.
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.