VQ-VAE и дискретные латентные состояния
VQ-VAE сжимает изображения, аудио или видео в небольшую сетку дискретных кодов, взятых из изученной кодовой книги, вместо непрерывных чисел.
Обзор
This discrete bottleneck lets powerful sequence models like Transformers treat media as 'tokens', much like words.
Глубокое погружение
VQ-VAE (векторный квантованный вариационный автоэнкодер), представленный ван ден Оордом и его коллегами из DeepMind в 2017 году, представляет собой автоэнкодер, скрытое пространство которого дискретно. Кодер превращает изображение в сетку непрерывных векторов; каждый вектор затем привязывается к ближайшей записи в изученной кодовой книге вложений (векторное квантование). Декодер восстанавливает изображение из этих квантованных кодов. Поскольку скрытые индексы теперь представляют собой ограниченный словарь индексов, отдельная модель может изучить их распределение и генерировать новый контент. Этот двухэтапный рецепт используется в DALL-E 1, музыкальном автомате Jukebox и VQGAN, что добавляет потери восприятия и состязательности для более четкой реконструкции. VQ-VAE-2 совмещал несколько разрешений для получения изображений высокой точности.
Техническая информация
Шаг квантования (поиск ближайшего соседа argmin) недифференцируем, поэтому VQ-VAE использует прямую оценку: градиенты копируются непосредственно со входа декодера обратно на выход кодера, как если бы квантование было тождеством. Обучение сочетает в себе потери при реконструкции, потери кодовой книги, подтягивающие вложения к выходам кодера, и потерю фиксации, удерживающую кодировщик в выбранных кодах. Распространенной ошибкой является коллапс кодовой книги, когда используется лишь несколько кодов.
Стратегическое воздействие
Скорость и масштаб
Визуальный ИИ может автоматизировать задачи проверки, обнаружения и маркировки в любом масштабе.
Выбор сборки
Творческие группы могут быстрее создавать прототипы концепций с меньшим количеством доработок вручную.
Команда и рабочий процесс
Операции могут использовать изображения и видеосигналы, которые раньше было трудно обрабатывать.
Будущее VQ-VAE и дискретных латентностей
Дискретные скрытые функции играют центральную роль в стремлении к унифицированным мультимодальным моделям, которые преобразуют изображения, аудио и видео в тот же словарь, что и текст. Такие улучшения, как остаточное и конечное скалярное квантование, большие кодовые книги и лучшая балансировка использования, уменьшают коллапс и повышают точность воспроизведения. Поскольку модели направлены как на понимание, так и на создание различных модальностей, надежные токенизаторы, основанные на идеях VQ-VAE, останутся основополагающим компонентом, все более конкурирующим и сочетающимся с подходами непрерывного скрытого распространения.
Реальная реализация
DALL-E 1 использовал дискретный токенизатор VQ-VAE, поэтому преобразователь мог генерировать изображения как последовательности индексов кодовой книги.
VQGAN объединил VQ-VAE с состязательными и перцептивными потерями для создания четких токенов изображений с высоким разрешением для создания произведений искусства.
Jukebox OpenAI применил VQ-VAE к необработанному аудио, сжимая музыку в дискретные коды для генеративного моделирования.
VQ-VAE-2 объединил иерархические дискретные латентные сигналы для синтеза разнообразных высококачественных изображений, способных конкурировать с GAN того времени.
Риски и ограничения
Права на изображение и согласие могут стать юридическими рисками, если происхождение неясно.
Производительность модели может варьироваться в зависимости от освещения, демографии и окружающей среды.
Ложноположительные результаты могут остаться незамеченными, если не контролировать пороговые значения достоверности.
Дорожная карта реализации
Определите критерии приемки точности, стоимости отзыва и ошибок.
Тестируйте с данными, которые соответствуют реальным производственным условиям.
Добавьте человеческую проверку для прогнозов с низкой достоверностью или высокой эффективностью.
Отслеживайте дрейф модели и выполняйте ее повторную проверку после изменений камеры или набора данных.
Продолжайте исследовать
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
Следующее руководство
Скрытое смешивание и интерполяция изображений
Часто задаваемые вопросы
What is VQ-VAE and Discrete Latents?
VQ-VAE сжимает изображения, аудио или видео в небольшую сетку дискретных кодов, взятых из изученной кодовой книги, вместо непрерывных чисел. Это дискретное узкое место позволяет мощным моделям последовательностей, таким как Transformers, рассматривать медиа как «токены», во многом похожие на слова.
Что отличает скрытое пространство VQ-VAE от стандартного VAE?
VQ-VAE заменяет непрерывные латентные коды дискретными кодами, полученными из изученной кодовой книги посредством векторного квантования.
Как VQ-VAE пропускает градиенты через этап недифференцируемого квантования?
Прямой блок оценки копирует входной градиент декодера непосредственно на выход кодера, рассматривая квантование как идентификатор для обратного прохода.
Что такое «коллапс кодовой книги»?
Коллапс кодовой книги происходит, когда модель опирается всего на несколько кодов, тратя большую часть кодовой книги и нанося ущерб разнообразию.
Почему дискретные скрытые значения полезны для генеративного моделирования с помощью Transformers?
Дискретные индексы образуют ограниченный словарь, поэтому модели последовательностей, такие как Трансформеры, могут изучать и выбирать их распределение точно так же, как слова.
Что VQGAN добавил к базовому рецепту VQ-VAE?
VQGAN дополняет VQ-VAE дискриминатором и потерей восприятия, обеспечивая более четкие и подробные реконструированные токены.