प्रसार मॉडल

They power today's leading text-to-image tools like Stable Diffusion, DALL-E, and Midjourney.

एक प्रसार मॉडल को दो दिशाओं में प्रशिक्षित किया जाता है। आगे की प्रक्रिया में, एक साफ छवि को थोड़ी मात्रा में यादृच्छिक शोर जोड़कर धीरे-धीरे दूषित किया जाता है जब तक कि यह शुद्ध स्थिर न हो जाए। मॉडल फिर उल्टा सीखता है: शोर से शुरू करके, यह भविष्यवाणी करता है और प्रत्येक चरण में थोड़ा शोर हटाता है, एक तेज छवि उभरने तक दर्जनों या सैकड़ों बार दोहराता है। इसे नियंत्रणीय बनाने के लिए, एक टेक्स्ट प्रॉम्प्ट प्रत्येक निरूपण चरण का मार्गदर्शन करता है, इसलिए "घोड़े पर सवार एक अंतरिक्ष यात्री" स्थिर को उस चित्र की ओर ले जाता है। स्टेबल डिफ्यूज़न जैसी आधुनिक प्रणालियाँ इस प्रक्रिया को कच्चे पिक्सेल के बजाय संपीड़ित अव्यक्त स्थान में चलाती हैं, जिससे यह बहुत तेज़ हो जाती है। जीएएन की तुलना में, प्रसार मॉडल अधिक स्थिरता से प्रशिक्षित होते हैं और अधिक विविधता उत्पन्न करते हैं, यही कारण है कि उन्होंने 2022 के आसपास उच्च गुणवत्ता वाली छवि निर्माण के प्रमुख दृष्टिकोण के रूप में जीएएन को पीछे छोड़ दिया।