Преглед
VQGAN компресира изображения в мрежа от отделни токени, извлечени от научена кодова книга, позволявайки на трансформатор да генерира изображения по същия начин, по който езиковите модели генерират текст.
VQGAN и Codebook Image Synthesis принадлежат към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество.
Дълбоко гмуркане
VQGAN, представен в документа от 2021 г. „Укротяване на трансформатори за синтез на изображения с висока разделителна способност“, съчетава векторно квантуван автоенкодер (VQVAE) със съперничещо и перцептивно обучение. Енкодер картографира изображение към малка мрежа от вектори на характеристики; всеки вектор се прихваща до най-близкия запис в научена кодова книга от, да речем, 1024 дискретни кода, превръщайки изображението в последователност от цели числа. Декодер възстановява изображението от тези токени, обучен с GAN дискриминатор и загуба на възприятие, така че реконструкциите да изглеждат по-скоро резки, отколкото замъглени. Тъй като изображенията вече са отделни последователности от токени, авторегресивен трансформатор може да ги моделира като език, предвиждайки токени един по един. Известно е, че VQGAN задвижва ранни инструменти за текст към изображение, когато е съчетан с насоки CLIP.
Техническа информация
Основната операция е векторно квантуване: непрекъснатите изходи на енкодера се заменят с техните най-близки вектори от кодовата книга, с „прав“ оценител на градиента, така че енкодерът все още може да се учи въпреки недиференцируемото търсене. Добавянето на базиран на кръпки GAN дискриминатор върху автокодера е това, което позволява на VQGAN да използва много по-малка решетка на токени (напр. 16x16) от VQVAE, като същевременно запазва текстурите ясни, правейки трансформаторното моделиране податливо.
Овладяване на VQGAN и синтез на изображения на кодова книга
VQGAN компресира изображения в мрежа от отделни токени, извлечени от научена кодова книга, позволявайки на трансформатор да генерира изображения по същия начин, по който езиковите модели генерират текст. VQGAN и Codebook Image Synthesis принадлежат към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество. За да изградите дълбоко разбиране, третирайте VQGAN и Codebook Image Synthesis 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 VQGAN и синтез на изображения на кодова книга, 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
Кодиране на снимка в мрежа 16x16 от токени на кодова книга, така че трансформаторът да може да я моделира и регенерира
Сдвояване на VQGAN с насоки за CLIP за създаване на сюрреалистичното AI изкуство „VQGAN+CLIP“, което стана вирусно през 2021 г.
Компресиране на изображения в компактни дискретни кодове за ефективно съхранение или генеративно обучение надолу по веригата
Служи като токенизатор на изображения в по-големи генератори, базирани на токени, като MaskGIT и мултимодални трансформатори
Модели на изпълнение
VQGAN и синтез на изображения на кодова книга на практика
Кодиране на снимка в мрежа 16x16 от токени на кодова книга, така че трансформаторът да може да я моделира и регенерира.
Кодиране на снимка в решетка 16x16 от токени на кодова книга, така че трансформаторът да може да я моделира и регенерира. 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.
VQGAN и синтез на изображения на кодова книга на практика
Сдвояване на VQGAN с насоки на CLIP за създаване на сюрреалистичното изкуство с изкуствен интелект „VQGAN+CLIP“, което стана вирусно през 2021 г.
Сдвояване на VQGAN с насоки за CLIP за създаване на сюрреалистичното изкуство с изкуствен интелект „VQGAN+CLIP“, което стана вирусно през 2021 г. 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.
VQGAN и синтез на изображения на кодова книга на практика
Компресиране на изображения в компактни дискретни кодове за ефективно съхранение или генеративно обучение надолу по веригата.
Компресиране на изображения в компактни дискретни кодове за ефективно съхранение или генеративно обучение надолу по веригата Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
VQGAN и синтез на изображения на кодова книга на практика
Служи като токенизатор на изображения в по-големи генератори, базирани на токени, като MaskGIT и мултимодални трансформатори.
Служейки като токенизатор на изображения в по-големи генератори, базирани на токени, като MaskGIT и мултимодални трансформатори, 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.