Syntéza obrazu VQGAN a kódové knihy
VQGAN komprimuje obrázky do mřížky diskrétních tokenů čerpaných z naučené kódové knihy a umožňuje transformátoru generovat obrázky stejným způsobem, jakým jazykové modely generují text.
Hluboký ponor
VQGAN, představený v dokumentu z roku 2021 „Taming Transformers for High-Resolution Image Synthesis“, kombinuje vektorově kvantovaný autokodér (VQVAE) s protivníkovým a percepčním tréninkem. Kodér mapuje obraz na malou mřížku příznakových vektorů; každý vektor je zachycen na nejbližší položku v naučeném kódovém seznamu, řekněme, 1024 diskrétních kódů, čímž se obraz změní na sekvenci celočíselných tokenů. Dekodér rekonstruuje obraz z těchto tokenů, trénovaných s GAN diskriminátorem a ztrátou vnímání, takže rekonstrukce vypadají spíše ostře než rozmazaně. Protože obrázky jsou nyní diskrétní sekvence tokenů, autoregresivní transformátor je může modelovat jako jazyk a předpovídat tokeny jeden po druhém. VQGAN skvěle poháněl rané umělecké nástroje pro převod textu na obrázek ve spojení s naváděním CLIP.
Technický přehled
Jádrem operace je vektorová kvantizace: kontinuální výstupy kodéru jsou nahrazeny jejich nejbližšími vektory z kódové knihy, s „přímým“ odhadem gradientu, takže kodér se může stále učit i přes nerozlišitelné vyhledávání. Přidání diskriminátoru GAN založeného na patchi nad autoenkodér umožňuje VQGAN používat mnohem menší mřížku tokenů (např. 16x16) než VQVAE při zachování ostrých textur, díky čemuž je modelování transformátoru ovladatelné.
Strategický dopad
Rychlost a měřítko
Vizuální AI může automatizovat úkoly inspekce, detekce a označování ve velkém měřítku.
Volby sestavy
Kreativní týmy mohou prototypovat koncepty rychleji s menším počtem ručních revizí.
Tým a pracovní postup
Operace mohou využívat obrazové a video signály, které bylo dříve obtížné zpracovat.
Budoucnost VQGAN a syntézy obrazu kódové knihy
Recept na diskrétní tokeny VQGAN se stal základem pro modely obrázků a videa založené na tokenech, od MaskGIT po multimodální systémy, které kombinují tokeny obrázků a textu v jednom transformátoru. Výzkum se nyní posouvá směrem k větším, konečným skalárním nebo bez vyhledávání kódovým knihám, které se vyhýbají zhroucení kódové knihy, a směrem k unifikovaným modelům, kde stejná slovní zásoba zahrnuje obrázky, zvuk a jazyk, což umožňuje jakoukoli generaci.
Real-World Implementace
Kódování fotografie do mřížky 16x16 tokenů kódové knihy, aby ji mohl transformátor modelovat a regenerovat
Spárování VQGAN s naváděním CLIP k vytvoření neskutečného umění AI „VQGAN+CLIP“, které se stalo virálním v roce 2021
Komprese obrazů do kompaktních diskrétních kódů pro efektivní ukládání nebo následné generativní školení
Slouží jako tokenizér obrazu ve větších generátorech založených na tokenech, jako jsou MaskGIT a multimodální transformátory
Rizika a zábradlí
Obrazová práva a souhlas se mohou stát právním rizikem, pokud je původ nejasný.
Výkon modelu se může lišit podle osvětlení, demografických údajů a prostředí.
Falešně pozitivní mohou zůstat bez povšimnutí, pokud nejsou monitorovány prahové hodnoty spolehlivosti.
Plán implementace
Definujte kritéria přijatelnosti pro přesnost, stažení a náklady na chyby.
Testujte s daty, která odpovídají reálným výrobním podmínkám.
Přidejte lidskou kontrolu pro předpovědi s nízkou spolehlivostí nebo velkým dopadem.
Sledujte posun modelu a znovu ověřte po změnách kamery nebo datové sady.
Pokračujte v objevování
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 VQGAN and Codebook Image Synthesis 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
Další průvodce
SPADE sémantická syntéza obrazu
Často kladené otázky
Co je VQGAN a syntéza obrázků v Codebooku?
VQGAN komprimuje obrázky do mřížky diskrétních tokenů čerpaných z naučené kódové knihy a umožňuje transformátoru generovat obrázky stejným způsobem, jakým jazykové modely generují text.
Co používá VQGAN k reprezentaci obrázku jako diskrétních tokenů?
VQGAN kvantuje vlastnosti kodéru na nejbližší položky v naučeném kódovém seznamu a přeměňuje obraz na sekvenci diskrétních kódových indexů.
Proč VQGAN přidává k VQVAE diskriminátor GAN?
Ztráty protivníka a vnímání umožnily VQGAN rekonstruovat ostré obrazy z kompaktní mřížky tokenů, které má VQVAE samo o sobě tendenci rozmazávat.
Jakmile je obrázek sekvencí žetonů, jaký model generuje nové obrázky?
Protože se obrázky stávají diskrétními sekvencemi tokenů, může je transformátor modelovat autoregresně, stejně jako generování textu.
Jaká technika umožňuje gradientům protékat nediferencovatelným kvantovacím krokem?
Vektorové kvantování je nediferencovatelné, takže VQGAN používá k trénování kodéru přímý gradientový estimátor.
Jaký slavný umělecký trend AI pomohl VQGAN vytvořit v roce 2021?
Spárování VQGAN s naváděním CLIP vytvořilo široce sdílené umění „VQGAN+CLIP“, které popularizovalo generování obrázků pomocí textu.