ภาพรวม
การสร้างภาพแบบถดถอยอัตโนมัติจะสร้างภาพทีละภาพ โดยคาดการณ์แต่ละโทเค็นจากทุกสิ่งที่สร้างขึ้นก่อนหน้านั้น สิ่งสำคัญคือเนื่องจากเครื่องจักรโทเค็นถัดไปที่ขับเคลื่อนโมเดลภาษาสามารถสร้างภาพที่สอดคล้องและควบคุมได้
การสร้างภาพแบบถดถอยอัตโนมัติเป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์
เจาะลึก
การสร้างภาพแบบถดถอยอัตโนมัติจะถือว่าภาพเป็นลำดับและคาดการณ์องค์ประกอบนั้นตามองค์ประกอบ โดยที่องค์ประกอบใหม่แต่ละองค์ประกอบจะถูกกำหนดเงื่อนไขจากองค์ประกอบก่อนหน้าทั้งหมด งานในช่วงแรกๆ เช่น PixelRNN และ PixelCNN คาดการณ์รูปภาพดิบทีละพิกเซล โดยสแกนทีละแถว ซึ่งช้าแต่สะอาดตามหลักทฤษฎี ระบบสมัยใหม่แทนที่จะบีบอัดรูปภาพลงในตารางของโทเค็นแยกกันโดยใช้ตัวเข้ารหัสสไตล์ VQ-VAE จากนั้น Transformer จะทำนายโทเค็นเหล่านั้นจากซ้ายไปขวา DALL-E 1 ของ OpenAI และ Parti ของ Google ทำตามสูตรนี้ โดยสร้างโทเค็นรูปภาพที่กำหนดเงื่อนไขตามข้อความแจ้งก่อนที่จะถอดรหัสกลับเป็นพิกเซล ข้อได้เปรียบที่สำคัญคือการสร้างแบบจำลองความน่าจะเป็นที่แน่นอนและสถาปัตยกรรมแบบรวมที่แชร์กับภาษา ต้นทุนเป็นไปตามลำดับและการสุ่มตัวอย่างช้า
ข้อมูลเชิงลึกทางเทคนิค
แบบจำลองจะแยกตัวประกอบความน่าจะเป็นร่วมของโทเค็นทั้งหมดเป็นผลคูณของเงื่อนไข: p(x) = ผลคูณของ p(x_i ให้ x_1...x_{i-1}) Transformer ที่มีความสนใจเชิงสาเหตุ (ปกปิด) บังคับให้แต่ละตำแหน่งเห็นเฉพาะโทเค็นก่อนหน้าเท่านั้น ในระหว่างการฝึกอบรม ระบบจะคาดการณ์โทเค็นทุกรายการพร้อมกันโดยใช้การบังคับของครู แต่ในการอนุมาน จะต้องสุ่มตัวอย่างโทเค็นทีละรายการ โดยป้อนกลับเข้าไปอีกครั้ง หนังสือโค้ดที่เรียนรู้จะแมปโทเค็นกลับไปที่แพตช์รูปภาพ ซึ่งตัวถอดรหัสจะอัปตัวอย่างเป็นพิกเซลสุดท้าย
การเรียนรู้การสร้างภาพแบบถดถอยอัตโนมัติ
การสร้างภาพแบบถดถอยอัตโนมัติจะสร้างภาพทีละภาพ โดยคาดการณ์แต่ละโทเค็นจากทุกสิ่งที่สร้างขึ้นก่อนหน้านั้น สิ่งสำคัญคือเนื่องจากเครื่องจักรโทเค็นถัดไปที่ขับเคลื่อนโมเดลภาษาสามารถสร้างภาพที่สอดคล้องและควบคุมได้ การสร้างภาพแบบถดถอยอัตโนมัติเป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์ เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่าการสร้างภาพอัตโนมัติแบบถดถอยเป็นเพียงโมเดลการทำงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังคงต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้การสร้างภาพอัตโนมัติจะรักษาสมดุลระหว่างความแม่นยำกับความเป็นจริงในการปฏิบัติงาน เช่น คุณภาพของข้อมูล ความแปรปรวนของแสง และความสม่ำเสมอของการติดฉลาก โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ ในขณะเดียวกัน สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
DALL-E 1 สร้างภาพโดยการทำนายตารางของโทเค็นภาพที่แยกจากคำบรรยายแบบข้อความโดยอัตโนมัติ
Parti ของ Google ปรับขนาดตัวแปลงข้อความเป็นรูปภาพแบบถดถอยอัตโนมัติเป็นพารามิเตอร์ 2 หมื่นล้านพารามิเตอร์สำหรับฉากที่มีรายละเอียดและสมจริงในทันที
PixelCNN และ PixelRNN สาธิตการสร้างแบบพิกเซลต่อพิกเซลแบบ Raw และยังคงใช้เป็นพื้นฐานในการสอนสำหรับโมเดลที่อิงตามความน่าจะเป็น
MaskGIT และ Muse ใช้การถอดรหัสโทเค็นแบบสวมหน้ากากแบบขนานเพื่อเร่งการสังเคราะห์ภาพโดยใช้โทเค็น ขณะเดียวกันก็รักษาการฝึกแบบการถดถอยอัตโนมัติ
รูปแบบการดำเนินงาน
การสร้างภาพอัตโนมัติในทางปฏิบัติ
DALL-E 1 สร้างภาพโดยการทำนายตารางของโทเค็นภาพที่แยกจากคำบรรยายแบบข้อความโดยอัตโนมัติ
DALL-E 1 สร้างรูปภาพโดยการทำนายตารางของโทเค็นรูปภาพแยกจากคำบรรยายภาพแบบถดถอยอัตโนมัติ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับ Edge Case และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การสร้างภาพอัตโนมัติในทางปฏิบัติ
Parti ของ Google ปรับขนาดตัวแปลงข้อความเป็นรูปภาพแบบถดถอยอัตโนมัติเป็นพารามิเตอร์ 2 หมื่นล้านพารามิเตอร์สำหรับฉากที่มีรายละเอียดและสมจริงในทันที
Parti ของ Google ปรับขนาดหม้อแปลงแปลงข้อความเป็นรูปภาพแบบถอยอัตโนมัติเป็น 2 หมื่นล้านพารามิเตอร์สำหรับฉากที่มีรายละเอียดและตรงไปตรงมา ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การสร้างภาพอัตโนมัติในทางปฏิบัติ
PixelCNN และ PixelRNN สาธิตการสร้างแบบพิกเซลต่อพิกเซลแบบ Raw และยังคงใช้เป็นพื้นฐานในการสอนสำหรับโมเดลที่อิงตามความน่าจะเป็น
PixelCNN และ PixelRNN สาธิตการสร้างแบบพิกเซลต่อพิกเซลแบบดิบ และยังคงใช้เป็นพื้นฐานการสอนสำหรับแบบจำลองตามความน่าจะเป็น ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การสร้างภาพอัตโนมัติในทางปฏิบัติ
MaskGIT และ Muse ใช้การถอดรหัสโทเค็นแบบสวมหน้ากากแบบขนานเพื่อเร่งการสังเคราะห์ภาพโดยใช้โทเค็น ขณะเดียวกันก็รักษาการฝึกแบบการถดถอยอัตโนมัติ
MaskGIT และ Muse ใช้การถอดรหัสโทเค็นแบบสวมหน้ากากแบบคู่ขนานเพื่อเร่งการสังเคราะห์รูปภาพโดยใช้โทเค็น ขณะเดียวกันก็รักษาการฝึกอบรมแบบ autoregressive ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
แผนงานการดำเนินงาน
กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น