পরবর্তী আপপরবর্তী গাইড
এআই-জেনারেটেড ইমেজে টেক্সট রেন্ডারিং
ভিজ্যুয়াল এআই
ভিজ্যুয়াল এআই গাইড
ইমেজ টেক্সট-টু-ইমেজ
ইমেজেন হল Google এর টেক্সট-টু-ইমেজ সিস্টেম যা লিখিত বর্ণনাকে ফটোরিয়ালিস্টিক ছবিতে পরিণত করে।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~2 min
এই পৃষ্ঠায়2 মিনিট পঠিত
ওভারভিউ
এর শিরোনাম ফাইন্ডিং ছিল যে একটি বড় হিমায়িত ভাষা মডেল, একটি বড় ইমেজ নেটওয়ার্ক নয়, মানের সবচেয়ে বড় চালক ছিল।
গভীর ডুব
2022 সালে Google গবেষণা দ্বারা ঘোষিত, ইমেজেন দেখিয়েছে যে প্রম্পটকে গভীরভাবে বোঝা যতটা ভালোভাবে আঁকা ততটাই গুরুত্বপূর্ণ। একটি CLIP-শৈলী পাঠ্য এনকোডারের পরিবর্তে, Imagen একটি বৃহৎ পূর্বপ্রশিক্ষিত পাঠ্য এনকোডার (T5-XXL) ব্যবহার করে যা হিমায়িত রাখা হয়, তারপর সেই সমৃদ্ধ ভাষা এম্বেডিংগুলিকে একটি ডিফিউশন মডেলে ফিড করে। এটি একটি ছোট 64x64 ইমেজ তৈরি করে এবং 1024x1024 পর্যন্ত উন্নীত করার জন্য দুটি সুপার-রেজোলিউশন ডিফিউশন স্টেজ ব্যবহার করে। দলটি উচ্চ নির্দেশনায় রঙগুলিকে স্থিতিশীল রাখতে 'গতিশীল থ্রেশহোল্ডিং' প্রবর্তন করেছে এবং ড্রবেঞ্চ তৈরি করেছে, এটি ট্রিক প্রম্পট টেস্টিং গণনা, স্থানিক সম্পর্ক এবং বিরল সংমিশ্রণের একটি মানদণ্ড। পরবর্তী সংস্করণ, Imagen 2 এবং Imagen 3, তীক্ষ্ণ বিস্তারিত, টেক্সট রেন্ডারিং, এবং প্রম্পট বিশ্বস্ততা, এবং এখন পাওয়ার Google এর ইমেজ টুল।
বাস্তব-বিশ্ব বাস্তবায়ন
ফটোশুট ছাড়াই একটি লিখিত সংক্ষিপ্ত থেকে ফটোরিয়ালিস্টিক মার্কেটিং ভিজ্যুয়াল তৈরি করা
বর্ণনামূলক বাক্য থেকে গল্প বলার জন্য ধারণা চিত্র বা শিশুদের বই তৈরি করা
ই-কমার্স তালিকার জন্য পণ্য মকআপ এবং দৃশ্যের বৈচিত্র তৈরি করা
বৈজ্ঞানিক বা শিক্ষামূলক ধারণাগুলিকে ভিজ্যুয়ালাইজ করা, যেমন একজন শিল্পীর রেন্ডারিং সরল ভাষায় বর্ণিত
ইমেজেন টেক্সট-টু-ইমেজের ভবিষ্যত
ইমেজেনের বংশ চিত্রের ভিতরে আরও ভালো টেক্সট রেন্ডারিং, জটিল দৃশ্যের জন্য কঠোর প্রম্পট অনুসরণ এবং দ্রুত স্যাম্পলিংয়ের দিকে এগিয়ে যাচ্ছে। ভাষার মডেলগুলির সাথে আরও গভীর ফিউশন আশা করুন যাতে অঙ্কন করার আগে একটি অনুরোধ সম্পর্কে সিস্টেমটি 'কারণ', পাশাপাশি উদ্ভবের জন্য SynthID এর মতো শক্তিশালী ওয়াটারমার্কিং। যেহেতু এটি Google-এর পণ্য এবং Gemini ইকোসিস্টেম জুড়ে একত্রিত হয়, তাই ফোকাস কাঁচা নতুনত্বের পরিবর্তে নির্ভরযোগ্য, নিরাপদ, নিয়ন্ত্রণযোগ্য প্রজন্মের দিকে চলে যায়।
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- গতি এবং স্কেল. ভিজ্যুয়াল এআই স্কেলে পরিদর্শন, সনাক্তকরণ এবং ট্যাগিং কাজগুলি স্বয়ংক্রিয়ভাবে করতে পারে।
- পছন্দগুলি তৈরি করুন. সৃজনশীল দলগুলি কম ম্যানুয়াল সংশোধন সহ ধারণাগুলিকে দ্রুত প্রোটোটাইপ করতে পারে।
- টিম এবং ওয়ার্কফ্লো. অপারেশনগুলি ইমেজ এবং ভিডিও সংকেত ব্যবহার করতে পারে যা আগে প্রক্রিয়া করা কঠিন ছিল।
জন্য সতর্ক
- প্রমাণ অস্পষ্ট হলে ছবির অধিকার এবং সম্মতি আইনি ঝুঁকিতে পরিণত হতে পারে।
- মডেলের কর্মক্ষমতা আলো, জনসংখ্যা এবং পরিবেশ জুড়ে পরিবর্তিত হতে পারে।
- আস্থার থ্রেশহোল্ডগুলি পর্যবেক্ষণ করা না হলে মিথ্যা ইতিবাচকগুলি অলক্ষিত হতে পারে।
পরবর্তী পদক্ষেপ
- নির্ভুলতা, প্রত্যাহার, এবং ত্রুটি খরচের জন্য গ্রহণযোগ্যতার মানদণ্ড নির্ধারণ করুন।
- প্রকৃত উৎপাদন অবস্থার সাথে মেলে এমন ডেটা দিয়ে পরীক্ষা করুন।
- কম-আস্থা বা উচ্চ-প্রভাব ভবিষ্যদ্বাণীর জন্য মানুষের পর্যালোচনা যোগ করুন।
- মডেল ড্রিফ্ট ট্র্যাক করুন এবং ক্যামেরা বা ডেটাসেট পরিবর্তনের পরে পুনরায় যাচাই করুন।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the Imagen Text-to-Image quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
ইমেজেন টেক্সট টু ইমেজ কি?
ইমেজেন হল Google এর টেক্সট-টু-ইমেজ সিস্টেম যা লিখিত বর্ণনাকে ফটোরিয়ালিস্টিক ছবিতে পরিণত করে। এর শিরোনাম ফাইন্ডিং ছিল যে একটি বড় হিমায়িত ভাষা মডেল, একটি বড় ইমেজ নেটওয়ার্ক নয়, মানের সবচেয়ে বড় চালক ছিল।
In the original Imagen study's scaling comparison, which change produced larger image-quality and text-alignment gains?
The reported comparisons favored scaling the text encoder; this is a study result, not a universal rule for every architecture.
ইমেজেন কোন টেক্সট এনকোডারের উপর নির্ভর করে?
ইমেজেন বড়, শুধুমাত্র পাঠ্য-প্রশিক্ষিত T5-XXL এনকোডার ব্যবহার করে, প্রশিক্ষণের সময় হিমায়িত রাখা হয়।
কিভাবে ইমেজেন উচ্চ রেজোলিউশনে পৌঁছায়?
এটি একটি 64x64 ইমেজ তৈরি করে তারপর সুপার-রেজোলিউশন ডিফিউশন মডেলের মাধ্যমে 1024x1024 এ উন্নীত হয়।
What problem did original Imagen's dynamic thresholding address under strong guidance?
The method clips and rescales predicted pixels to limit saturation under large guidance weights.
DrawBench কি?
DrawBench হল একটি বেঞ্চমার্ক Google যা গণনা, স্থানিক সম্পর্ক এবং বিরল প্রম্পট পরীক্ষা করার জন্য ইমেজেনের সাথে প্রবর্তিত হয়েছে।
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড