প্রম্পট-টু-প্রম্পট ক্রস-অ্যাটেনশন সম্পাদনা
প্রম্পট-টু-প্রম্পট মডেলের অভ্যন্তরীণ মনোযোগ মানচিত্রগুলি পুনরায় ব্যবহার করার সময় তার পাঠ্য প্রম্পটকে টুইক করে একটি জেনারেট করা চিত্র সম্পাদনা করে, তাই একটি শব্দ পরিবর্তন করলে দৃশ্যের বাকি অংশটি অক্ষত রেখে সেই উপাদানটিকে অদলবদল করা হয়।
ওভারভিউ
It is editing through words, not pixels.
গভীর ডুব
প্রম্পট-টু-প্রম্পট (Hertz et al., 2022) হল ডিফিউশন মডেলগুলিতে পাঠ্য-চালিত সম্পাদনার জন্য একটি প্রশিক্ষণ-মুক্ত কৌশল। মূল অন্তর্দৃষ্টি হ'ল ক্রস-অ্যাটেনশন ম্যাপ, যা মডেলকে বলে যে প্রতিটি শব্দের কোন চিত্র অঞ্চলগুলিকে প্রভাবিত করা উচিত, দৃশ্যের স্থানিক বিন্যাসকে এনকোড করে৷ যখন আপনি একটি সামান্য পরিবর্তিত প্রম্পট সহ একটি চিত্র পুনরুত্পাদন করেন, পদ্ধতিটি নতুন রানে মূল প্রম্পটের মনোযোগ মানচিত্রগুলিকে ইনজেক্ট করে। একটি শব্দ প্রতিস্থাপন করে, 'বাইসাইকেল'কে 'মোটরসাইকেল' দিয়ে বলুন, রচনা এবং পটভূমি সংরক্ষণ করার সময় সেই বস্তুটিকে অদলবদল করুন। একটি শব্দ যোগ করা শুধুমাত্র অপরিবর্তিত টোকেনগুলির জন্য মনোযোগ আকর্ষণ করে, তাই সবকিছু পরিবর্তন না করে একটি নতুন বৈশিষ্ট্য উপস্থিত হয়। আপনি একটি টোকেনের মনোযোগকে এর প্রভাবকে শক্তিশালী বা দুর্বল করতে পুনরায় ওজন করতে পারেন। যেহেতু এটির কোন ফাইন-টিউনিং বা মুখোশের প্রয়োজন নেই, এটি InstructPix2Pix-এর ডেটা জেনারেশন সহ পরবর্তী অনেক সম্পাদনা পদ্ধতির জন্য একটি ভিত্তিগত বিল্ডিং ব্লক হয়ে উঠেছে।
প্রযুক্তিগত অন্তর্দৃষ্টি
ডিনোইসিংয়ের সময়, প্রতিটি টোকেনের জন্য ক্রস-অ্যাটেনশন গণনা করা হয়, যেখানে এটি ছবিতে উপস্থিত থাকে তার একটি স্থানিক মানচিত্র। প্রম্পট-টু-প্রম্পট শেয়ার্ড টোকেনের জন্য মূল প্রজন্ম থেকে সম্পাদিত একটিতে এই মানচিত্রগুলি অনুলিপি করে। শব্দ অদলবদলের জন্য এটি সংশ্লিষ্ট টোকেনের মধ্যে মনোযোগ ম্যাপ করে; যোগ করা শব্দগুলির জন্য এটি পুরানো মানচিত্র সংরক্ষণ করে এবং শুধুমাত্র নতুন টোকেনগুলিকে নতুন মনোযোগ তৈরি করতে দেয়; রিওয়েটিং সহজভাবে একটি টোকেনের মনোযোগের মানকে স্কেল করে, এর ভিজ্যুয়াল প্রভাবকে তীব্র বা নিঃশব্দ করে।
কৌশলগত প্রভাব
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।
প্রম্পট-টু-প্রম্পট ক্রস-অ্যাটেনশন সম্পাদনার ভবিষ্যত
ক্রস-অ্যাটেনশন ম্যানিপুলেশন এখন নিয়ন্ত্রণযোগ্য প্রজন্মের সরঞ্জামগুলির একটি সম্পূর্ণ পরিবারকে আন্ডারপিন করে, এবং ধারণাগুলি অস্থায়ীভাবে সামঞ্জস্যপূর্ণ সম্পাদনাগুলির জন্য নতুন আর্কিটেকচার এবং ভিডিও বিস্তারে মনোযোগ নিয়ন্ত্রণে প্রসারিত। বিপরীতের মাধ্যমে বাস্তব-চিত্র সম্পাদনার সাথে আরও কঠোর সংহতকরণ, বড় কাঠামোগত পরিবর্তনগুলির আরও শক্তিশালী হ্যান্ডলিং এবং নির্দেশ মডেলগুলির সাথে সমন্বয় আশা করুন যাতে মনোযোগের কৌশলগুলি একটি সাধারণ প্রাকৃতিক-ভাষা ইন্টারফেসের অধীনে অদৃশ্যভাবে চলে।
বাস্তব-বিশ্ব বাস্তবায়ন
একজন ডিজাইনার 'রাস্তায় একটি লাল গাড়ি'কে 'রাস্তায় একটি নীল গাড়ি'-তে পরিবর্তন করেন এবং একই দৃশ্যের বিন্যাস রাখেন।
একজন চিত্রকর 'তুষারময়' শব্দটিকে পুনরুদ্ধার করে একটি ল্যান্ডস্কেপকে ক্রমবর্ধমানভাবে বৈচিত্র্যের মধ্যে আরও শীতল করে তুলতে।
একজন গল্পকার একটি চরিত্রের শীটের জন্য অভিন্ন ভঙ্গি এবং পটভূমি রাখার জন্য প্রম্পটে 'বাঘ'-এর জন্য 'সিংহ' অদলবদল করে।
একজন গবেষক নির্দেশ-অনুসরণকারী সম্পাদকের প্রশিক্ষণ ডেটা হিসাবে চিত্রের আগে/পরে জোড়া তৈরি করতে এটি ব্যবহার করেন।
ঝুঁকি এবং প্রহরী
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।
বাস্তবায়ন রোডম্যাপ
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Prompt-to-Prompt Cross-Attention Editing quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
ক্রস-মনোযোগ
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Prompt-to-Prompt Cross-Attention Editing?
প্রম্পট-টু-প্রম্পট মডেলের অভ্যন্তরীণ মনোযোগ মানচিত্রগুলি পুনরায় ব্যবহার করার সময় তার পাঠ্য প্রম্পটকে টুইক করে একটি জেনারেট করা চিত্র সম্পাদনা করে, তাই একটি শব্দ পরিবর্তন করলে দৃশ্যের বাকি অংশটি অক্ষত রেখে সেই উপাদানটিকে অদলবদল করা হয়। এটি শব্দের মাধ্যমে সম্পাদনা করছে, পিক্সেল নয়।
কোন অভ্যন্তরীণ তথ্য প্রম্পট-টু-প্রম্পট একটি দৃশ্য সংরক্ষণ করতে পুনরায় ব্যবহার করে?
ক্রস-অ্যাটেনশন ম্যাপ এনকোড করে যেখানে প্রতিটি শব্দ ইমেজকে প্রভাবিত করে, তাই সেগুলিকে পুনঃব্যবহার করলে সম্পাদনার সময় লেআউট সামঞ্জস্যপূর্ণ থাকে।
প্রম্পট-টু-প্রম্পটের কি মডেলটিকে ফাইন-টিউনিং করা প্রয়োজন?
এটি অনুমান করার সময় মনোযোগ পরিচালনা করে এবং কোন অতিরিক্ত প্রশিক্ষণের প্রয়োজন নেই।
একটি টোকেনের মনোযোগ পুনরায় ওজন করা কি সম্পন্ন করে?
একটি টোকেনের মনোযোগের মানগুলিকে স্কেল করা সেই ধারণাটি কতটা দৃঢ়ভাবে প্রদর্শিত হয় তা তীব্র বা নিঃশব্দ করে।
কেন প্রম্পট-টু-প্রম্পট একটি মৌলিক কৌশল হিসাবে বিবেচিত হয়?
এর প্রশিক্ষণ-মুক্ত মনোযোগ ম্যানিপুলেশন একটি বিল্ডিং ব্লক হয়ে উঠেছে যা পরবর্তী সম্পাদনা গবেষণা জুড়ে পুনরায় ব্যবহার করা হয়েছে।