म्यूज़ियम मास्क्ड जेनरेटिव इमेजिंग
म्यूज़ Google का एक टेक्स्ट-टू-इमेज मॉडल है जो मास्क्ड इमेज टोकन को एक साथ भरकर चित्र बनाता है, जिससे यह चरण-दर-चरण प्रसार से कहीं अधिक तेज़ हो जाता है।
सिंहावलोकन
यह मायने रखता है क्योंकि इससे पता चला कि आप धीमी पुनरावृत्त डीनोइज़िंग के बिना उच्च-गुणवत्ता, अच्छी तरह से संरेखित छवियां प्राप्त कर सकते हैं, जिस पर अधिकांश जनरेटर भरोसा करते हैं।
गहरा गोता
म्यूज़ियम एक छवि के अलग टोकन स्थान में काम करता है। एक पूर्व-प्रशिक्षित VQGAN एक चित्र को विज़ुअल बिल्डिंग ब्लॉक्स की शब्दावली की तरह, पूर्णांक टोकन के ग्रिड में बदल देता है। प्रशिक्षण के दौरान, इन टोकन का एक बड़ा हिस्सा छुपाया जाता है, और एक ट्रांसफार्मर जमे हुए बड़े भाषा मॉडल (T5-XXL) से टेक्स्ट एम्बेडिंग पर वातानुकूलित होकर, उनकी भविष्यवाणी करना सीखता है। पीढ़ी के समय में म्यूज़ियम एक पूर्ण-मास्क ग्रिड से शुरू होता है और समानांतर राउंड में डीकोड करता है, प्रति चरण कई टोकन की भविष्यवाणी करता है और कम से कम आत्मविश्वास वाले टोकन को फिर से मास्क करता है। दो-चरणीय डिज़ाइन पहले एक कम-रिज़ॉल्यूशन टोकन ग्रिड तैयार करता है, फिर एक सुपर-रिज़ॉल्यूशन मॉडल एक उच्च-रिज़ॉल्यूशन ग्रिड भरता है। क्योंकि दर्जनों टोकन एक साथ हल होते हैं, 900M और 3B पैरामीटर मॉडल केवल कुछ ही फॉरवर्ड पास में 256 या 512 पिक्सेल छवि बनाते हैं।
तकनीकी अंतर्दृष्टि
मुख्य चाल आत्मविश्वास-आधारित रीमास्किंग के साथ समानांतर डिकोडिंग है, जिसे अक्सर मास्कजीआईटी-शैली नमूनाकरण कहा जाता है। एक समय में एक टोकन की भविष्यवाणी करने (ऑटोरेग्रेसिव) या सैकड़ों बार निरूपित करने (प्रसार) के बजाय, म्यूज़ सभी मास्क्ड टोकन की भविष्यवाणी करता है, सबसे भरोसेमंद टोकन रखता है, और बाकी को अगले दौर के लिए फिर से मास्क करता है। जमे हुए T5-XXL टेक्स्ट एनकोडर का उपयोग करने से मुफ्त में मजबूत भाषा की समझ मिलती है, और अलग-अलग टोकन पर काम करने से मॉडल को शब्दों की तरह छवियों के बारे में तर्क करने की सुविधा मिलती 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।
म्यूज़ियम मास्क्ड जेनरेटिव इमेजिंग का भविष्य
नकाबपोश समानांतर डिकोडिंग उन जनरेटर की ओर इशारा करती है जो उच्च गुणवत्ता वाले और वास्तव में तेज़ दोनों हैं, जो इंटरैक्टिव संपादन और ऑन-डिवाइस उपयोग के लिए आवश्यक है। उम्मीद करें कि टोकन-भविष्यवाणी विचार प्रसार और ऑटोरेग्रेसिव वीडियो विधियों के साथ विलय हो जाएगा, और तत्काल इनपेंटिंग, आउटपेंटिंग और मास्क-मुक्त संपादन को शक्ति प्रदान करेगा। जैसे-जैसे असतत टोकन में सुधार होता है, नकाबपोश इमेजिंग वीडियो और 3डी में स्पष्ट रूप से विस्तारित हो सकती है, जहां समानांतर डिकोडिंग कई फ्रेम या दृश्य उत्पन्न करने की लागत में नाटकीय रूप से कटौती कर सकती है।
वास्तविक विश्व कार्यान्वयन
रैपिड कॉन्सेप्ट आर्ट और मूड बोर्ड जहां एक कलाकार को मिनटों के बजाय सेकंडों में कई छवि विविधताओं की आवश्यकता होती है।
पेंटिंग में शून्य-शॉट, जैसे किसी वस्तु को हटाना और मॉडल द्वारा नकाबपोश क्षेत्र को लगातार परिवेश से भरना।
बैनरों या विभिन्न पहलू अनुपातों के लिए किसी फ़ोटो को उसकी मूल सीमाओं से परे विस्तारित करने के लिए आउटपेंटिंग।
मास्क-मुक्त संपादन, जैसे टेक्स्ट प्रॉम्प्ट को संपादित करके और प्रभावित टोकन को फिर से डिकोड करके कुत्ते का रंग या आकाश को सूर्यास्त में बदलना।
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 Muse Masked Generative Imaging 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
नकाबपोश ऑटोएन्कोडर्स
अक्सर पूछे जाने वाले प्रश्नों
म्यूज़ मास्क्ड जेनरेटिव इमेजिंग क्या है?
म्यूज़ Google का एक टेक्स्ट-टू-इमेज मॉडल है जो मास्क्ड इमेज टोकन को एक साथ भरकर चित्र बनाता है, जिससे यह चरण-दर-चरण प्रसार से कहीं अधिक तेज़ हो जाता है। यह मायने रखता है क्योंकि इससे पता चला है कि आप धीमी पुनरावृत्ति के बिना उच्च-गुणवत्ता, अच्छी तरह से संरेखित छवियां प्राप्त कर सकते हैं, जिस पर अधिकांश जनरेटर भरोसा करते हैं।
पिक्सेल को निरूपित करने के बजाय पीढ़ी के दौरान म्यूज़ क्या भविष्यवाणी करता है?
म्यूज़ एक अलग टोकन स्थान में काम करता है, सीधे पिक्सेल पर काम करने के बजाय VQGAN टोकननाइज़र द्वारा उत्पादित नकाबपोश छवि टोकन की भविष्यवाणी करता है।
म्यूज़ियम आम तौर पर मानक प्रसार मॉडल से तेज़ क्यों है?
म्यूज़ियम एक साथ कई नकाबपोश टोकन भरता है और प्रसार के कई अनुक्रमिक निरूपण चरणों के विपरीत, केवल मुट्ठी भर डिकोडिंग राउंड की आवश्यकता होती है।
म्यूज़ियम को टेक्स्ट प्रॉम्प्ट की समझ कहां से मिलती है?
म्यूज़ एक जमे हुए पूर्व-प्रशिक्षित T5-XXL भाषा मॉडल से टेक्स्ट एम्बेडिंग पर पीढ़ी की स्थिति बनाता है, जिससे इसे मजबूत भाषा समझ मिलती है।
म्यूज़ियम में आत्मविश्वास-आधारित रीमास्किंग की क्या भूमिका है?
प्रत्येक समानांतर भविष्यवाणी के बाद, म्यूज़ियम सबसे अधिक आत्मविश्वास वाले टोकन को बरकरार रखता है और कम से कम आत्मविश्वास वाले टोकन को लगातार राउंड में परिष्कृत करने के लिए फिर से मास्क करता है।
म्यूज़ियम उच्च-रिज़ॉल्यूशन वाली छवियां बनाने का प्रबंधन कैसे करता है?
म्यूज़ पहले एक कम-रिज़ॉल्यूशन टोकन ग्रिड उत्पन्न करता है, फिर दूसरा सुपर-रिज़ॉल्यूशन मॉडल एक उच्च-रिज़ॉल्यूशन टोकन ग्रिड उत्पन्न करता है।