LegközelebbKövetkező útmutató
Látens diffúziós modellek
Vizuális AI
Vizuális MI ÚTMUTATÓ
A GLIDE egy korai OpenAI szöveg-kép diffúziós modell volt, amely utasításokat és „osztályozó nélküli útmutatást” mutatott, amely felülmúlhatja a korábbi GAN-alapú rendszereket.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez kulcsfontosságú lépcsőfok volt a DALL-E 2 felé vezető úton.
Released by OpenAI in late 2021, GLIDE (Guided Language to Image Diffusion for Generation and Editing) demonstrated that diffusion models guided by text could produce photorealistic, prompt-faithful images. Its biggest contribution was comparing two ways to steer generation: CLIP guidance versus classifier-free guidance. The team found classifier-free guidance produced more realistic and better-aligned images, a result that shaped nearly every text-to-image model since. GLIDE also supported text-driven inpainting, letting users edit part of an image with a new prompt. It used a 3.5-billion-parameter diffusion model plus an upsampler. OpenAI released a smaller, filtered version publicly while withholding the full model over misuse concerns, and the DALL-E 2 research paper describes an unCLIP decoder that modifies the GLIDE architecture to accept CLIP-image conditioning.
Kép generálása egy mondatból, például egy leírt jelenetből, a korai azonnali-hű szintézis bemutatása
Szövegvezérelt festés: a fotó egy részének maszkolása, és szavakkal leírt új tárggyal való kitöltése
Meglévő kép szerkesztése elemek hozzáadásával vagy cseréjével egy követési prompt segítségével
Olyan kutatási alapként szolgál, amely bebizonyította, hogy az osztályozó nélküli útmutatás felülmúlja a CLIP útmutatást az igazításhoz
Maga a GLIDE nagyrészt történelmi, a DALL-E 2, az Imagen és a Stable Diffusion váltja fel, de ötletei mindenhol megmaradnak. Az osztályozó nélküli útmutatás továbbra is az alapértelmezett gomb a hűség és sokféleség kereskedelméhez, és a szövegvezérelt festés már alapfelszereltségnek számít. A jövőbeli rendszerek folyamatosan finomítják az útmutatási ütemterveket, csökkentik a műtermékek erős vezetési okait, és ugyanezeket az elveket kiterjesztik a videóra és a 3D diffúzióra, így a GLIDE hatása túléli a modellt.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A GLIDE egy korai OpenAI szöveg-kép diffúziós modell volt, amely utasításokat és „osztályozó nélküli útmutatást” mutatott, amely felülmúlhatja a korábbi GAN-alapú rendszereket. Ez kulcsfontosságú lépcsőfok volt a DALL-E 2 felé vezető úton.
A GLIDE azt mutatta, hogy az osztályozó nélküli útmutatás valósághűbb és jobban igazított eredményeket adott, mint a CLIP útmutatás.
The full research model used a 3.5-billion-parameter base diffusion model with a separate upsampling stage.
Mind a valós, mind az üres promptokon való képzéssel a modell megtanulja a feltételes és feltétel nélküli generálást, majd a mintavételkor extrapolál ezek között.
The paper describes adding CLIP-image conditioning to a modified GLIDE architecture for its unCLIP decoder; this is a concrete architectural relationship.
OpenAI visszatartotta a teljes modellt a visszaélések miatt, és helyette kiadott egy szűrt, kisebb változatot.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Látens diffúziós modellek
Vizuális AI