VQGAN 및 코드북 이미지 합성
VQGAN은 학습된 코드북에서 가져온 개별 토큰의 그리드로 이미지를 압축하여 변환기가 언어 모델이 텍스트를 생성하는 것과 동일한 방식으로 이미지를 생성할 수 있도록 합니다.
심층 분석
2021년 논문 '고해상도 이미지 합성을 위한 길들이기 변환기'에 소개된 VQGAN은 벡터 양자화 자동 인코더(VQVAE)를 적대적 및 지각적 훈련과 결합합니다. 인코더는 이미지를 작은 특징 벡터 그리드에 매핑합니다. 각 벡터는 학습된 코드북(예: 1024개의 개별 코드)에서 가장 가까운 항목에 스냅되어 이미지를 일련의 정수 토큰으로 바꿉니다. 디코더는 GAN 판별자와 지각 손실로 훈련된 토큰으로부터 이미지를 재구성하므로 재구성이 흐릿하지 않고 선명하게 보입니다. 이미지는 이제 개별 토큰 시퀀스이므로 자동 회귀 변환기는 이를 언어처럼 모델링하여 토큰을 하나씩 예측할 수 있습니다. VQGAN은 CLIP 지침과 결합하여 초기 텍스트-이미지 아트 도구를 강화한 것으로 유명합니다.
기술적 통찰력
핵심 작업은 벡터 양자화입니다. 연속 인코더 출력은 '직선' 그래디언트 추정기를 사용하여 가장 가까운 코드북 벡터로 대체되므로 미분 불가능한 조회에도 불구하고 인코더가 계속 학습할 수 있습니다. 자동 인코더 위에 패치 기반 GAN 판별자를 추가하면 VQGAN이 VQVAE보다 훨씬 작은 토큰 그리드(예: 16x16)를 사용하면서 텍스처를 선명하게 유지하고 변환기 모델링을 다루기 쉽게 만들 수 있습니다.
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.
VQGAN과 코드북 이미지 합성의 미래
VQGAN의 개별 토큰 레시피는 MaskGIT부터 하나의 변환기에 이미지와 텍스트 토큰을 혼합하는 다중 모드 시스템에 이르기까지 토큰 기반 이미지 및 비디오 모델의 기반이 되었습니다. 이제 연구에서는 코드북 붕괴를 방지하는 더 크고 유한 스칼라 또는 조회 없는 코드북과 동일한 어휘가 이미지, 오디오 및 언어에 걸쳐 있어 모든 생성이 가능한 통합 모델을 향해 나아가고 있습니다.
실제 구현
변환기가 사진을 모델링하고 재생성할 수 있도록 사진을 코드북 토큰의 16x16 그리드로 인코딩합니다.
VQGAN과 CLIP 가이드를 결합하여 2021년 입소문을 탄 초현실적인 'VQGAN+CLIP' AI 아트 제작
효율적인 저장 또는 다운스트림 생성 훈련을 위해 이미지를 컴팩트한 개별 코드로 압축
MaskGIT 및 다중 모드 변환기와 같은 대규모 토큰 기반 생성기 내에서 이미지 토크나이저 역할을 합니다.
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 VQGAN and Codebook Image Synthesis 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
SPADE 의미론적 이미지 합성
자주 묻는 질문
What is VQGAN and Codebook Image Synthesis?
VQGAN은 학습된 코드북에서 가져온 개별 토큰의 그리드로 이미지를 압축하여 변환기가 언어 모델이 텍스트를 생성하는 것과 동일한 방식으로 이미지를 생성할 수 있도록 합니다.
VQGAN은 이미지를 개별 토큰으로 표현하기 위해 무엇을 사용합니까?
VQGAN은 학습된 코드북에서 가장 가까운 항목으로 인코더 기능을 양자화하여 이미지를 일련의 개별 코드 인덱스로 변환합니다.
VQGAN이 VQVAE 위에 GAN 판별자를 추가하는 이유는 무엇입니까?
적대적 및 지각적 손실을 통해 VQGAN은 VQVAE만으로는 흐려지는 경향이 있는 소형 토큰 그리드에서 선명한 이미지를 재구성할 수 있습니다.
이미지가 일련의 토큰이면 어떤 모델이 새 이미지를 생성합니까?
이미지는 개별 토큰 시퀀스가 되므로 변환기는 텍스트를 생성하는 것처럼 이미지를 자동 회귀적으로 모델링할 수 있습니다.
미분 불가능한 양자화 단계를 통해 기울기가 흐르도록 하는 기술은 무엇입니까?
벡터 양자화는 미분 불가능하므로 VQGAN은 직선형 경사 추정기를 사용하여 인코더를 교육합니다.
VQGAN이 2021년에 창조하는 데 도움을 준 유명한 AI 예술 트렌드는 무엇입니까?
VQGAN과 CLIP 지침을 결합하면 텍스트 기반 이미지 생성을 대중화한 널리 공유되는 'VQGAN+CLIP' 아트가 생성되었습니다.