VQ-VAE 및 이산 잠재성
VQ-VAE는 이미지, 오디오 또는 비디오를 연속 숫자 대신 학습된 코드북에서 가져온 개별 코드의 작은 그리드로 압축합니다.
개요
This discrete bottleneck lets powerful sequence models like Transformers treat media as 'tokens', much like words.
심층 분석
Van den Oord와 DeepMind의 동료들이 2017년에 도입한 VQ-VAE(Vector Quantized Variational Autoencoder)는 잠재 공간이 불연속적인 오토인코더입니다. 인코더는 이미지를 연속 벡터 그리드로 변환합니다. 그런 다음 각 벡터는 학습된 임베딩 코드북의 가장 가까운 항목에 맞춰집니다(벡터 양자화). 디코더는 양자화된 코드로부터 이미지를 재구성합니다. 잠재성은 이제 유한한 인덱스 어휘이기 때문에 별도의 모델이 해당 분포를 학습하고 새로운 콘텐츠를 생성할 수 있습니다. 이 2단계 레시피는 DALL-E 1, 음악용 주크박스 및 보다 선명한 재구성을 위해 지각 및 적대적 손실을 추가하는 VQGAN을 지원합니다. VQ-VAE-2는 여러 해상도를 쌓아 고품질 이미지를 생성합니다.
기술적 통찰력
양자화 단계(argmin 최근접 이웃 조회)는 미분 불가능하므로 VQ-VAE는 직선 추정기를 사용합니다. 마치 양자화가 항등인 것처럼 디코더 입력에서 인코더 출력으로 기울기가 직접 복사됩니다. 훈련에는 재구성 손실, 임베딩을 인코더 출력으로 끌어오는 코드북 손실, 인코더가 선택한 코드에 커밋되도록 유지하는 커밋 손실이 결합됩니다. 일반적인 실패는 소수의 코드만 사용되는 코드북 붕괴입니다.
전략적 영향
속도와 규모
Visual AI는 대규모 검사, 감지 및 태그 지정 작업을 자동화할 수 있습니다.
빌드 선택
크리에이티브 팀은 수동 수정 횟수를 줄여 컨셉의 프로토타입을 더 빠르게 제작할 수 있습니다.
팀과 워크플로우
이전에는 처리하기 어려웠던 이미지 및 비디오 신호를 작업에 사용할 수 있습니다.
VQ-VAE 및 이산 잠재성의 미래
개별 잠재성은 이미지, 오디오 및 비디오를 텍스트와 동일한 어휘로 토큰화하는 통합 다중 모드 모델을 추진하는 데 핵심입니다. 잔차 및 유한 스칼라 양자화, 더 큰 코드북, 더 나은 사용 균형 조정 등의 개선으로 붕괴가 줄어들고 충실도가 향상됩니다. 모델이 양식 전반에 걸쳐 이해하고 생성하는 것을 목표로 하기 때문에 VQ-VAE 아이디어를 기반으로 구축된 강력한 토크나이저는 지속적인 잠재 확산 접근 방식과 점점 더 경쟁하고 결합하면서 기본 요소로 남을 것입니다.
실제 구현
DALL-E 1은 개별 VQ-VAE 토크나이저를 사용하여 Transformer가 코드북 인덱스 시퀀스로 이미지를 생성할 수 있었습니다.
VQGAN은 VQ-VAE를 적대적 및 지각적 손실과 결합하여 예술 작품 생성을 위한 선명한 고해상도 이미지 토큰을 생성했습니다.
OpenAI의 Jukebox는 원시 오디오에 VQ-VAE를 적용하여 생성 모델링을 위해 음악을 개별 코드로 압축했습니다.
VQ-VAE-2는 계층적 개별 잠재성을 쌓아 해당 시대의 GAN에 필적하는 다양하고 충실도가 높은 이미지를 합성합니다.
위험 및 가드레일
출처가 불분명할 경우 이미지 권리 및 동의는 법적 위험이 될 수 있습니다.
모델 성능은 조명, 인구통계, 환경에 따라 달라질 수 있습니다.
신뢰도 임계값을 모니터링하지 않으면 거짓양성이 발견되지 않을 수 있습니다.
구현 로드맵
정밀도, 재현율, 오류 비용에 대한 허용 기준을 정의합니다.
실제 생산 조건과 일치하는 데이터로 테스트합니다.
신뢰도가 낮거나 영향력이 큰 예측에 대해 인적 검토를 추가합니다.
모델 드리프트를 추적하고 카메라 또는 데이터 세트가 변경된 후 재검증합니다.
계속 탐색하세요
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 VQ-VAE and Discrete Latents 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
다음 가이드
잠재 혼합 및 이미지 보간
자주 묻는 질문
What is VQ-VAE and Discrete Latents?
VQ-VAE는 이미지, 오디오 또는 비디오를 연속 숫자 대신 학습된 코드북에서 가져온 개별 코드의 작은 그리드로 압축합니다. 이러한 개별적인 병목 현상을 통해 Transformers와 같은 강력한 시퀀스 모델은 미디어를 단어와 마찬가지로 '토큰'으로 처리할 수 있습니다.
VQ-VAE의 잠재 공간이 표준 VAE와 다른 점은 무엇입니까?
VQ-VAE는 연속 잠재성을 벡터 양자화를 통해 학습된 코드북에서 가져온 개별 코드로 대체합니다.
VQ-VAE는 미분 불가능한 양자화 단계를 통해 어떻게 기울기를 전달합니까?
직선 추정기는 디코더 입력 기울기를 인코더 출력에 직접 복사하여 양자화를 역방향 전달에 대한 동일성으로 처리합니다.
'코드북 붕괴'란 무엇입니까?
코드북 붕괴는 모델이 단 몇 개의 코드에만 의존하여 대부분의 코드북을 낭비하고 다양성을 손상시킬 때 발생합니다.
Transformers를 사용한 생성 모델링에 이산 잠재성이 유용한 이유는 무엇입니까?
이산 인덱스는 유한한 어휘를 형성하므로 Transformer와 같은 시퀀스 모델은 단어처럼 분포를 학습하고 샘플링할 수 있습니다.
VQGAN은 기본 VQ-VAE 레시피 외에 무엇을 추가했습니까?
VQGAN은 판별기와 지각 손실을 통해 VQ-VAE를 강화하여 더욱 선명하고 자세하게 재구성된 토큰을 생성합니다.