Pencitraan Generatif Bertopeng Muse
Muse adalah model teks-ke-gambar dari Google yang menghasilkan gambar dengan mengisi token gambar bertopeng sekaligus, sehingga jauh lebih cepat daripada difusi langkah demi langkah.
Ikhtisar
It matters because it showed you can get high-quality, well-aligned images without the slow iterative denoising that most generators rely on.
Menyelam Lebih Dalam
Muse bekerja di ruang token diskrit dari sebuah gambar. VQGAN yang telah dilatih sebelumnya mengubah gambar menjadi kisi-kisi token bilangan bulat, seperti kosakata blok penyusun visual. Selama pelatihan, sebagian besar token ini ditutupi, dan Transformer belajar memprediksinya kembali, dikondisikan pada penyematan teks dari model bahasa besar yang dibekukan (T5-XXL). Pada saat generasi, Muse memulai dari grid yang semuanya tertutup dan melakukan dekode dalam putaran paralel, memprediksi banyak token per langkah dan menutupi kembali token yang paling tidak percaya diri. Desain dua tahap pertama-tama menghasilkan jaringan token beresolusi rendah, kemudian model resolusi super mengisi jaringan beresolusi lebih tinggi. Karena lusinan token diselesaikan secara bersamaan, model parameter 900M dan 3B menghasilkan gambar 256 atau 512 piksel hanya dalam beberapa gerakan maju.
Wawasan Teknis
Trik intinya adalah decoding paralel dengan remasking berbasis kepercayaan, yang sering disebut pengambilan sampel gaya MaskGIT. Daripada memprediksi satu token dalam satu waktu (autoregresif) atau melakukan denoising ratusan kali (difusi), Muse memprediksi semua token yang terselubung, mempertahankan token yang paling percaya diri, dan menutupi kembali sisanya untuk putaran berikutnya. Menggunakan encoder teks T5-XXL yang dibekukan memberikan pemahaman bahasa yang kuat secara gratis, dan mengoperasikan token diskrit memungkinkan model bernalar tentang gambar lebih seperti kata-kata.
Dampak Strategis
Kecepatan dan skala
Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar.
Build choices
Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual.
Team and workflow
Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses.
Masa Depan Pencitraan Generatif Bertopeng Muse
Dekode paralel terselubung mengarah ke generator yang berkualitas tinggi dan benar-benar cepat, yang penting untuk pengeditan interaktif dan penggunaan pada perangkat. Harapkan ide prediksi token untuk digabungkan dengan metode difusi dan video autoregresif, dan untuk mendukung pengecatan ulang, pengecatan luar, dan pengeditan tanpa topeng secara instan. Seiring dengan peningkatan tokenizer diskrit, pencitraan bertopeng dapat diperluas ke video dan 3D, di mana decoding paralel dapat secara signifikan mengurangi biaya pembuatan banyak bingkai atau tampilan.
Implementasi Dunia Nyata
Konsep seni dan papan suasana hati yang cepat di mana seorang seniman membutuhkan banyak variasi gambar dalam hitungan detik, bukan menit.
Lukisan zero-shot, seperti menghilangkan objek dan membuat model mengisi area yang disamarkan secara konsisten dengan lingkungan sekitar.
Pengecatan luar untuk memperluas foto melampaui batas aslinya untuk spanduk atau rasio aspek berbeda.
Pengeditan tanpa topeng, seperti mengubah warna anjing atau langit menjadi matahari terbenam dengan mengedit perintah teks dan mendekode ulang token yang terpengaruh.
Risiko & Pagar Pembatas
Hak citra dan persetujuan dapat menjadi risiko hukum jika asal usulnya tidak jelas.
Performa model dapat bervariasi berdasarkan pencahayaan, demografi, dan lingkungan.
Positif palsu mungkin tidak diketahui kecuali ambang batas keyakinan dipantau.
Peta Jalan Implementasi
Tentukan kriteria penerimaan untuk biaya presisi, penarikan kembali, dan kesalahan.
Uji dengan data yang sesuai dengan kondisi produksi sebenarnya.
Tambahkan tinjauan manusia untuk prediksi dengan tingkat keyakinan rendah atau dampak tinggi.
Lacak penyimpangan model dan validasi ulang setelah kamera atau kumpulan data berubah.
Terus Menjelajah
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
Next guide
Autoencoder Bertopeng
Pertanyaan yang sering diajukan
What is Muse Masked Generative Imaging?
Muse adalah model teks-ke-gambar dari Google yang menghasilkan gambar dengan mengisi token gambar bertopeng sekaligus, sehingga jauh lebih cepat daripada difusi langkah demi langkah. Hal ini penting karena hal ini menunjukkan bahwa Anda bisa mendapatkan gambar berkualitas tinggi dan selaras tanpa perlu melakukan denoising berulang-ulang yang lambat seperti yang diandalkan sebagian besar generator.
Apa yang diprediksi Muse selama pembuatan alih-alih menolak piksel?
Muse beroperasi dalam ruang token terpisah, memprediksi token gambar bertopeng yang dihasilkan oleh tokenizer VQGAN daripada mengerjakan piksel secara langsung.
Mengapa Muse umumnya lebih cepat dibandingkan model difusi standar?
Muse mengisi banyak token bertopeng secara bersamaan dan hanya memerlukan beberapa putaran decoding, tidak seperti banyak langkah denoising yang berurutan difusi.
Dari mana Muse mendapatkan pemahamannya tentang teks prompt?
Muse mengkondisikan pembuatan pada penyematan teks dari model bahasa T5-XXL yang telah dilatih sebelumnya, sehingga memberikan pemahaman bahasa yang kuat.
Apa peran remasking berbasis kepercayaan diri di Muse?
Setelah setiap prediksi paralel, Muse mempertahankan token yang paling percaya diri dan menutupi kembali token yang paling tidak percaya diri untuk disempurnakan dalam putaran berikutnya.
Bagaimana cara Muse menangani pembuatan gambar dengan resolusi lebih tinggi?
Muse pertama-tama menghasilkan jaringan token beresolusi rendah, kemudian model resolusi super kedua menghasilkan jaringan token beresolusi lebih tinggi.