Miundo ya Kuzalisha yenye Alama
Miundo ya kuzalisha yenye msingi wa alama huunda data kwa kujifunza gradient ya usambazaji wa data - mwelekeo unaofanya sampuli yoyote yenye kelele ionekane zaidi kama data halisi.
Muhtasari
This score-function view unifies diffusion models with stochastic differential equations and underpins many modern image generators.
Dive ya kina
Badala ya uwezekano wa kuigwa moja kwa moja, miundo kulingana na alama hujifunza alama: gradient ya msongamano wa uwezekano wa logi kuhusiana na ingizo. Kujua ni njia gani ya kugusa sampuli ili kuongeza uwezekano wake inatosha kutoa data mpya. Kazi ya Yang Song na Stefano Ermon ya 2019 ilifunza mtandao kukadiria alama hii katika viwango vingi vya kelele kwa kutumia ulinganishaji wa alama za denoising, kisha wakatoa sampuli kwa mienendo ya Langevin - wakipanda alama mara kwa mara na kuongeza kelele kidogo. Karatasi yao ya 2021 ya alama-SDE ilionyesha kuwa utofautishaji na miundo kulingana na alama ni nyuso mbili za mchakato sawa unaofafanuliwa na mlinganyo wa tofauti wa stochastic. Jambo kuu ni kwamba, kila SDE ina ODE inayolingana ya 'uwezekano' wa kubainisha ambayo inashiriki kando sawa, kuwezesha uwezekano na sampuli za haraka.
Ufahamu wa Kiufundi
Kukadiria alama ya data safi moja kwa moja ni ngumu ambapo data ni chache, kwa hivyo modeli hufunzwa juu ya data iliyoathiriwa na kelele ya Gaussian katika mizani nyingi. Ulinganishaji wa alama za denoising hutoa shabaha inayoweza kutibika: alama ya usambazaji wa kelele ni sawa na mwelekeo wa kelele uliogawanywa na tofauti za kelele, kwa hivyo kutabiri kelele na kutabiri alama kimsingi ni kitu kimoja. Sampuli hutatua SDE ya wakati wa nyuma (au ODE ya uwezekano sawa) kuanzia kelele safi ya Gaussian.
Athari za kimkakati
Kasi na kiwango
Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
Tengeneza chaguzi
Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
Timu na mtiririko wa kazi
Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Mustakabali wa Miundo ya Kuzalisha yenye Alama
Mfumo wa alama-SDE ndio injini ya kinadharia iliyo nyuma ya maendeleo mengi ya AI. Vitatuzi vya haraka vya nambari, ratiba bora za kelele, na ODE ya mtiririko wa uwezekano huwezesha uzalishaji wa wakati halisi na tathmini kamili ya uwezekano. Wazo sawa la kulinganisha alama linaenea zaidi ya picha hadi muundo wa sauti, molekuli na protini, mawingu ya uhakika, na uigaji wa kisayansi, huku miundo ya uthabiti na inayolingana na mtiririko huunda moja kwa moja kwenye misingi hii ya muda ili kupunguza uzalishaji kwa hatua chache.
Utekelezaji wa Ulimwengu Halisi
Mitandao ya Alama za Kelele-Masharti (NCSN) inayozalisha nyuso za picha kwa kufuata viwango vya juu vya alama vilivyojifunza kupitia mienendo ya Langevin.
Uundaji upya wa picha za kimatibabu, kama vile MRI iliyoharakishwa, ambapo alama ulizojifunza hufanya kama kabla ya kujaza data ya skanisho isiyo na sampuli ndogo.
Uzalishaji wa muundo wa molekuli na protini katika ugunduzi wa dawa, kuiga usanidi wa atomiki wa 3D na uenezaji wa alama.
Usanisi wa muundo wa mawimbi ya sauti ambapo miundo ya alama husikika kuelekea matamshi au muziki safi, kama vile vokoda zinazotegemea usambaaji.
Hatari & Walinzi
Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Ramani ya Utekelezaji
Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
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 Score-Based Generative Models 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
Mwongozo unaofuata
Mifano zinazotegemea Nishati
Maswali yanayoulizwa mara kwa mara
What is Score-Based Generative Models?
Miundo ya kuzalisha yenye msingi wa alama huunda data kwa kujifunza gradient ya usambazaji wa data - mwelekeo unaofanya sampuli yoyote yenye kelele ionekane zaidi kama data halisi. Mwonekano huu wa utendaji wa alama huunganisha miundo ya usambaaji na milinganyo tofauti ya kistochastiki na hutegemeza jenereta nyingi za kisasa za picha.
Je, ni 'alama' gani hasa ambayo wanamitindo hawa hujifunza?
Alama ni gradient ya msongamano wa data ya kumbukumbu kuhusiana na ingizo - huelekeza katika mwelekeo unaoongeza uwezekano wa sampuli.
Kwa nini mifano ya alama hufunzwa kwenye data iliyoharibika kwa kelele katika mizani nyingi?
Katika mikoa yenye msongamano wa chini alama ya kweli haijafafanuliwa vibaya; data inayosumbua yenye viwango kadhaa vya kelele hufanya ulinganishaji wa alama uweze kutibika kila mahali.
Ni utaratibu gani wa sampuli ambao modeli za msingi wa alama zilitumia kutoa data?
Mienendo ya Langevin husogeza sampuli mara kwa mara kuelekea upande wa alama na kuingiza kelele ndogo, hatua kwa hatua kubadilisha kelele nasibu hadi data halisi.
Karatasi ya alama-SDE ya 2021 ilianzisha uhusiano gani mkuu?
Wimbo na al. uenezaji uliounganishwa na miundo kulingana na alama chini ya mfumo wa milinganyo ya utofauti wa kistochastiki, yenye ODE ya uwezekano wa kubainisha unaolingana.
Kelele za kutabiri zinahusiana vipi na kutabiri alama katika kulinganisha alama za denoising?
Ulinganishaji wa alama za denoising huonyesha alama ni sawa na kelele hasi iliyogawanywa na tofauti za kelele, na kufanya ubashiri wa kelele na utabiri wa alama kuwa lengo sawa.