Imagen 2 και Reward-Tuned Diffusion
Το Imagen 2 είναι το φωτορεαλιστικό μοντέλο κειμένου σε εικόνα του Google που βασίζεται στη διάχυση, βελτιωμένο με ρύθμιση ανταμοιβής, ώστε τα αποτελέσματα του να ταιριάζουν καλύτερα με αυτό που πραγματικά θέλουν οι άνθρωποι.
Επισκόπηση
It matters because it pairs strong image quality and accurate text rendering with alignment techniques borrowed from how chatbots are trained.
Βαθιά κατάδυση
Το Imagen 2 βασίζεται στην αρχική συνταγή του Imagen: ένα μεγάλο μοντέλο παγωμένης γλώσσας κωδικοποιεί την προτροπή και ένας καταρράκτης μοντέλων διάχυσης μετατρέπει τον τυχαίο θόρυβο σε λεπτομερή εικόνα, ενώ παραμένει πιστός σε αυτό το κείμενο. Η προσθήκη επικεφαλίδας είναι ο συντονισμός ανταμοιβής, όπου ένα μοντέλο μαθημένης ανταμοιβής βαθμολογεί τις παραγόμενες εικόνες για ιδιότητες όπως η άμεση στοίχιση, η αισθητική και ο ρεαλισμός, και το μοντέλο διάχυσης ρυθμίζεται με ακρίβεια για να παράγει αποτελέσματα υψηλότερης βαθμολογίας. Αυτό αντικατοπτρίζει την ενίσχυση της μάθησης από την ανθρώπινη ανατροφοδότηση που χρησιμοποιείται σε γλωσσικά μοντέλα. Το Imagen 2 βελτίωσε τον φωτορεαλισμό, πιο αξιόπιστη ορθογραφία του κειμένου στην εικόνα, πολύγλωσση άμεση υποστήριξη και πιο δυνατό χειρισμό δύσκολων θεμάτων όπως τα χέρια και τα πρόσωπα. Πρόσθεσε επίσης inpainting και outpainting και ο Google το συνδύασε με το εργαλείο υδατογραφήματος SynthID για να επισημάνει αόρατα τις εικόνες που δημιουργούνται από AI. Ενίσχυσε λειτουργίες σε Google προϊόντα και την εμπειρία ImageFX.
Τεχνική διορατικότητα
Το Diffusion μαθαίνει να αντιστρέφει μια διαδικασία θορύβου, αποκαθιστώντας σταδιακά ένα τυχαίο πεδίο σε μια εικόνα που καθοδηγείται από ενσωματώσεις κειμένου. Ο συντονισμός ανταμοιβής βρίσκεται στην κορυφή: ένα μοντέλο ανταμοιβής, εκπαιδευμένο στις ανθρώπινες προτιμήσεις, παρέχει ένα σήμα που ωθεί το μοντέλο διάχυσης προς υψηλότερα ποσοστά εξόδου, παρόμοια με το RLHF για κείμενο. Σε συνδυασμό με καθοδήγηση χωρίς ταξινομητή, η οποία εξισορροπεί την πιστότητα με την ποικιλομορφία, αυτό επιτρέπει στο Imagen 2 να βελτιστοποιεί απευθείας για την αντιληπτή ποιότητα και ευθυγράμμιση αντί να ταιριάζει μόνο με την κατανομή της εκπαίδευσης.
Στρατηγικός αντίκτυπος
Ταχύτητα και κλίμακα
Το Visual AI μπορεί να αυτοματοποιήσει εργασίες επιθεώρησης, ανίχνευσης και επισήμανσης σε κλίμακα.
Δημιουργήστε επιλογές
Οι δημιουργικές ομάδες μπορούν να δημιουργήσουν πρωτότυπες ιδέες γρηγορότερα με λιγότερες μη αυτόματες αναθεωρήσεις.
Ομάδα και ροή εργασίας
Οι λειτουργίες μπορούν να χρησιμοποιούν σήματα εικόνας και βίντεο που προηγουμένως ήταν δύσκολο να επεξεργαστούν.
The Future of Imagen 2 και Reward-Tuned Diffusion
Η διάχυση με συντονισμένη ανταμοιβή γίνεται η προεπιλεγμένη διαδρομή για ελεγχόμενη παραγωγή υψηλής πιστότητας και τα σήματα ανταμοιβής θα διευρυνθούν ώστε να καλύπτουν την ασφάλεια, την πραγματικότητα και τη δικαιοσύνη παράλληλα με την αισθητική. Περιμένετε αυστηρότερους ελέγχους επεξεργασίας, ταχύτερη δειγματοληψία μέσω απόσταξης και τυπική προέλευση μέσω υδατοσήμανσης όπως το SynthID. Καθώς τα μοντέλα προτιμήσεων γίνονται πιο αποχρώσεις και ανά χρήστη, οι γεννήτριες εικόνων θα προσαρμόζουν όλο και περισσότερο το στυλ και το περιεχόμενο στο μεμονωμένο γούστο, ενώ θα παραμένουν ανιχνεύσιμα ως κατασκευασμένα από AI.
Υλοποίηση σε πραγματικό κόσμο
Δημιουργία εικόνων μάρκετινγκ και προϊόντων με ακριβές κείμενο στην εικόνα, όπως σύντομα σλόγκαν ή ετικέτες.
Ζωγραφική για την απρόσκοπτη αφαίρεση ή αντικατάσταση αντικειμένων σε μια υπάρχουσα φωτογραφία.
Έξω ζωγραφική για επέκταση μιας σκηνής για διαφορετικές διατάξεις, banner ή αναλογίες διαστάσεων.
Δημιουργία πολύγλωσσων στοιχείων δημιουργικού όπου τα μηνύματα προτροπής και το κείμενο που αποδίδεται εμφανίζονται σε πολλές γλώσσες, με υδατογράφημα με SynthID για προέλευση.
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Τα δικαιώματα εικόνας και η συναίνεση μπορεί να αποτελέσουν νομικούς κινδύνους εάν η προέλευση είναι ασαφής.
Η απόδοση του μοντέλου μπορεί να διαφέρει ανάλογα με το φωτισμό, τα δημογραφικά στοιχεία και τα περιβάλλοντα.
Τα ψευδώς θετικά μπορεί να περάσουν απαρατήρητα εκτός εάν παρακολουθούνται τα όρια εμπιστοσύνης.
Οδικός Χάρτης Εφαρμογής
Καθορίστε κριτήρια αποδοχής για το κόστος ακρίβειας, ανάκλησης και σφάλματος.
Δοκιμή με δεδομένα που ταιριάζουν με πραγματικές συνθήκες παραγωγής.
Προσθέστε ανθρώπινη κριτική για προβλέψεις χαμηλής εμπιστοσύνης ή υψηλού αντίκτυπου.
Παρακολουθήστε τη μετατόπιση του μοντέλου και επικυρώστε εκ νέου μετά από αλλαγές κάμερας ή δεδομένων.
Συνεχίστε την εξερεύνηση
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 Imagen 2 and Reward-Tuned Diffusion 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
Επόμενος οδηγός
Σταθερή διάχυση βίντεο
Συχνές ερωτήσεις
What is Imagen 2 and Reward-Tuned Diffusion?
Το Imagen 2 είναι το φωτορεαλιστικό μοντέλο κειμένου σε εικόνα του Google που βασίζεται στη διάχυση, βελτιωμένο με ρύθμιση ανταμοιβής, ώστε τα αποτελέσματα του να ταιριάζουν καλύτερα με αυτό που πραγματικά θέλουν οι άνθρωποι. Έχει σημασία γιατί συνδυάζει την ισχυρή ποιότητα εικόνας και την ακριβή απόδοση κειμένου με τεχνικές ευθυγράμμισης που δανείζονται από τον τρόπο εκπαίδευσης των chatbot.
Ποια βασική τεχνική παραγωγής χρησιμοποιεί το Imagen 2;
Το Imagen 2 είναι ένα μοντέλο διάχυσης: μαθαίνει να αντιστρέφει μια διαδικασία θορύβου, μετατρέποντας τον τυχαίο θόρυβο σε μια λεπτομερή εικόνα που καθοδηγείται από κείμενο.
Τι προσθέτει ο συντονισμός ανταμοιβής στο Imagen 2;
Ο συντονισμός ανταμοιβής βελτιώνει το μοντέλο χρησιμοποιώντας ένα μοντέλο ανταμοιβής εκπαιδευμένο στις ανθρώπινες προτιμήσεις, ωθώντας το προς εικόνες υψηλότερης βαθμολογίας, καλύτερα ευθυγραμμισμένες.
Με ποια τεχνική από την εκπαίδευση γλωσσικού μοντέλου μοιάζει ο συντονισμός ανταμοιβής του Imagen 2;
Ο συντονισμός ανταμοιβής είναι εννοιολογικά σαν το RLHF: ένα μοντέλο ανταμοιβής που εκπαιδεύεται στις προτιμήσεις καθοδηγεί τη λεπτομέρεια προς τα αποτελέσματα που ευνοούν τους ανθρώπους.
Πώς κατανοεί το Imagen 2 το μήνυμα κειμένου;
Το Imagen 2 ακολουθεί τη συνταγή Imagen της χρήσης ενός μεγάλου μοντέλου παγωμένης γλώσσας για την κωδικοποίηση της προτροπής σε ενσωματώσεις εμπλουτισμένου κειμένου.
Σε τι χρησιμοποιείται το SynthID με τις εικόνες Imagen 2;
Το SynthID προσθέτει ένα αόρατο υδατογράφημα, έτσι ώστε οι εικόνες που δημιουργούνται από AI να μπορούν να αναγνωριστούν ως προέλευση, ακόμη και μετά από ορισμένες επεξεργασίες.