ऑटोरेग्रेसिव इमेज जेनरेशन
ऑटोरेग्रेसिव इमेज जेनरेशन एक समय में एक टुकड़ा चित्र बनाता है, इससे पहले उत्पन्न हुई हर चीज़ से प्रत्येक टोकन की भविष्यवाणी करता है।
सिंहावलोकन
यह मायने रखता है क्योंकि भाषा मॉडल को शक्ति देने वाली वही अगली-टोकन मशीनरी सुसंगत, नियंत्रणीय छवियां उत्पन्न कर सकती है।
गहरा गोता
ऑटोरेग्रेसिव छवि निर्माण एक चित्र को एक अनुक्रम के रूप में मानता है और तत्व दर तत्व इसकी भविष्यवाणी करता है, जहां प्रत्येक नया तत्व पिछले सभी तत्वों पर आधारित होता है। PixelRNN और PixelCNN जैसे प्रारंभिक कार्य ने एक समय में एक कच्चे पिक्सेल की छवियों की भविष्यवाणी की, पंक्ति दर पंक्ति स्कैनिंग की, जो धीमी लेकिन सैद्धांतिक रूप से साफ थी। इसके बजाय आधुनिक सिस्टम पहले VQ-VAE-शैली एनकोडर का उपयोग करके एक छवि को अलग टोकन के ग्रिड में संपीड़ित करते हैं, फिर एक ट्रांसफार्मर उन टोकन को बाएं से दाएं भविष्यवाणी करता है। OpenAI के DALL-E 1 और Google के पार्टि ने इस नुस्खे का पालन किया, उन्हें पिक्सेल पर वापस डिकोड करने से पहले एक टेक्स्ट प्रॉम्प्ट पर छवि टोकन तैयार किए गए। बड़ा लाभ सटीक संभावना मॉडलिंग और भाषा के साथ साझा की गई एकीकृत वास्तुकला है। लागत अनुक्रमिक, धीमी गति से नमूनाकरण है।
तकनीकी अंतर्दृष्टि
मॉडल सभी टोकन की संयुक्त संभावना को सशर्त उत्पाद में विभाजित करता है: p(x) = p(x_i दिया गया x_1...x_{i-1}) का उत्पाद। कारणात्मक (नकाबपोश) ध्यान वाला एक ट्रांसफार्मर यह लागू करता है कि प्रत्येक स्थिति केवल पहले वाले टोकन को देखती है। प्रशिक्षण के दौरान यह शिक्षक के दबाव का उपयोग करते हुए समानांतर में प्रत्येक टोकन की भविष्यवाणी करता है, लेकिन अनुमान के समय इसे एक समय में एक टोकन का नमूना लेना चाहिए, प्रत्येक को वापस फीड करना चाहिए। एक सीखा हुआ कोडबुक छवि पैच पर टोकन को वापस मैप करता है, जिसे एक डिकोडर अंतिम पिक्सेल में अपसैंपल करता है।
सामरिक प्रभाव
गति और पैमाना
विज़ुअल एआई बड़े पैमाने पर निरीक्षण, पता लगाने और टैगिंग कार्यों को स्वचालित कर सकता है।
विकल्प बनाएं
रचनात्मक टीमें कम मैन्युअल संशोधनों के साथ तेजी से अवधारणाओं का प्रोटोटाइप बना सकती हैं।
टीम और वर्कफ़्लो
संचालन छवि और वीडियो संकेतों का उपयोग कर सकते हैं जिन्हें संसाधित करना पहले कठिन था।
ऑटोरेग्रेसिव इमेज जेनरेशन का भविष्य
गति केंद्रीय युद्धक्षेत्र है. समानांतर और मास्क्ड-टोकन डिकोडिंग (मास्कजीआईटी, म्यूज़) जैसी तकनीकें एक साथ कई टोकन उत्पन्न करती हैं, और भाषा मॉडल से उधार ली गई सट्टा डिकोडिंग को छवियों के लिए अनुकूलित किया जा रहा है। शोधकर्ता टेक्स्ट और छवि टोकन को एक एकल ऑटोरेग्रेसिव बैकबोन में एकीकृत कर रहे हैं ताकि एक मॉडल पढ़ और आकर्षित कर सके, जैसा कि मल्टीमॉडल सिस्टम में देखा जाता है। ऑटोरेग्रेसिव और डिफ्यूजन विचारों के सम्मिश्रण जारी रखने की अपेक्षा करें, हाइब्रिड मॉडल टोकन की नियंत्रणीयता और प्रसार की गुणवत्ता को कैप्चर करेंगे।
वास्तविक विश्व कार्यान्वयन
DALL-E 1 ने टेक्स्ट कैप्शन से अलग-अलग छवि टोकन के ग्रिड की स्वत: प्रतिगामी भविष्यवाणी करके छवियां उत्पन्न कीं।
Google की पार्टि ने विस्तृत, त्वरित-वफादार दृश्यों के लिए एक ऑटोरेग्रेसिव टेक्स्ट-टू-इमेज ट्रांसफार्मर को 20 बिलियन मापदंडों तक बढ़ाया।
PixelCNN और PixelRNN ने कच्ची पिक्सेल-दर-पिक्सेल पीढ़ी का प्रदर्शन किया और अभी भी संभावना-आधारित मॉडल के लिए शिक्षण आधार रेखा के रूप में उपयोग किया जाता है।
मास्कजीआईटी और म्यूज़ ऑटोरेग्रेसिव-शैली प्रशिक्षण को ध्यान में रखते हुए टोकन-आधारित छवि संश्लेषण को तेज करने के लिए समानांतर मास्क्ड-टोकन डिकोडिंग का उपयोग करते हैं।
जोखिम और रेलिंग
यदि उत्पत्ति अस्पष्ट है तो छवि अधिकार और सहमति कानूनी जोखिम बन सकते हैं।
मॉडल का प्रदर्शन प्रकाश व्यवस्था, जनसांख्यिकी और वातावरण के अनुसार भिन्न हो सकता है।
जब तक आत्मविश्वास की सीमा की निगरानी नहीं की जाती, तब तक झूठी सकारात्मक बातों पर ध्यान नहीं दिया जा सकता।
कार्यान्वयन रोडमैप
सटीकता, रिकॉल और त्रुटि लागत के लिए स्वीकृति मानदंड परिभाषित करें।
वास्तविक उत्पादन स्थितियों से मेल खाने वाले डेटा के साथ परीक्षण करें।
कम-आत्मविश्वास या उच्च-प्रभाव वाली भविष्यवाणियों के लिए मानवीय समीक्षा जोड़ें।
कैमरा या डेटासेट में बदलाव के बाद मॉडल बहाव को ट्रैक करें और पुनः सत्यापित करें।
अन्वेषण करते रहें
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 Autoregressive Image Generation 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
अगली गाइड
एआई छवि निर्माण
अक्सर पूछे जाने वाले प्रश्नों
ऑटोरेग्रेसिव इमेज जेनरेशन क्या है?
ऑटोरेग्रेसिव इमेज जेनरेशन एक समय में एक टुकड़ा चित्र बनाता है, इससे पहले उत्पन्न हुई हर चीज़ से प्रत्येक टोकन की भविष्यवाणी करता है। यह मायने रखता है क्योंकि भाषा मॉडल को शक्ति देने वाली वही अगली-टोकन मशीनरी सुसंगत, नियंत्रणीय छवियां उत्पन्न कर सकती है।
छवि निर्माण के संदर्भ में 'ऑटोरेग्रेसिव' का क्या अर्थ है?
ऑटोरेग्रेसिव मॉडल छवि को एक अनुक्रम के रूप में फैक्टराइज़ करते हैं, प्रत्येक टोकन या पिक्सेल की भविष्यवाणी उसके पहले उत्पन्न सभी तत्वों के आधार पर करते हैं।
DALL-E 1 जैसे आधुनिक ऑटोरेग्रेसिव छवि मॉडल आम तौर पर भविष्यवाणी करने से पहले एक छवि का प्रतिनिधित्व कैसे करते हैं?
आधुनिक प्रणालियाँ छवि को अलग-अलग टोकन में संपीड़ित करती हैं (अक्सर VQ-VAE-शैली एनकोडर के माध्यम से), फिर ट्रांसफार्मर के साथ उस टोकन अनुक्रम की भविष्यवाणी करती हैं।
कौन से शुरुआती मॉडल एक समय में एक कच्चे पिक्सेल की छवियां उत्पन्न करते हैं?
PixelRNN और PixelCNN अग्रणी ऑटोरेग्रेसिव मॉडल थे जो पिक्सेल दर पिक्सेल छवियों को स्कैन और भविष्यवाणी करते थे।
कौन सा तंत्र यह सुनिश्चित करता है कि ट्रांसफार्मर ऑटोरेग्रेसिव पीढ़ी के दौरान केवल पहले के टोकन पर ही ध्यान देता है?
कैज़ुअल मास्किंग प्रत्येक स्थिति को भविष्य के टोकन पर ध्यान देने से रोकती है, जिससे बाएँ से दाएँ फ़ैक्टराइज़ेशन लागू होता है।
ऑटोरेग्रेसिव इमेज सैंपलिंग का मुख्य व्यावहारिक दोष क्या है?
चूँकि प्रत्येक टोकन पिछले टोकन पर निर्भर करता है, इसलिए अनुमान को टोकन दर टोकन चलना चाहिए, जिससे पीढ़ी तुलनात्मक रूप से धीमी हो जाएगी।