คำแนะนำแบบไม่มีลักษณนาม
คำแนะนำที่ไม่ต้องใช้ตัวแยกประเภทเป็นเทคนิคที่ทำให้แบบจำลองการแพร่กระจายเป็นไปตามคำแนะนำของคุณจริง ๆ โดยแลกความหลากหลายบางอย่างเพื่อการยึดเกาะที่แข็งแกร่งยิ่งขึ้น
ภาพรวม
It is the single dial behind the 'guidance scale' slider in nearly every image generator.
เจาะลึก
การแพร่กระจายที่มีการนำทางตั้งแต่เนิ่นๆ จำเป็นต้องมีตัวแยกประเภทแยกต่างหากเพื่อดันตัวอย่างไปยังประเภทที่ต้องการ ซึ่งเปราะบางและต้องมีการฝึกอบรมเพิ่มเติม คำแนะนำที่ไม่ต้องใช้ตัวแยกประเภทซึ่งเสนอโดย Jonathan Ho และ Tim Salimans ในปี 2022 จะนำการพึ่งพานั้นออกไป ในระหว่างการฝึก โมเดลจะสุ่มวางเงื่อนไข (ข้อความแจ้ง) บางเปอร์เซ็นต์ของเวลา ดังนั้นจึงเรียนรู้ที่จะสร้างการคาดการณ์ทั้งแบบมีเงื่อนไขและไม่มีเงื่อนไขด้วยเครือข่ายเดียว ในเวลาสุ่มตัวอย่าง คุณรันโมเดลสองครั้งต่อขั้นตอน ครั้งแรกพร้อมท์และอีกครั้งโดยไม่ต้อง จากนั้นจึงคาดการณ์จากการคาดคะเนแบบไม่มีเงื่อนไขไปสู่การคาดการณ์แบบมีเงื่อนไข ปริมาณของการประมาณค่าเป็นระดับแนวทาง: ค่าที่สูงกว่าจะบังคับการเกาะติดที่รวดเร็วยิ่งขึ้นและความอิ่มตัวของสีที่มากขึ้น ในขณะที่ค่าที่ต่ำกว่าจะให้ความหลากหลายมากกว่าแต่การจับคู่ที่หลวมกว่า
ข้อมูลเชิงลึกทางเทคนิค
ในทางคณิตศาสตร์ การทำนายเสียงนำทางคือการทำนายแบบไม่มีเงื่อนไขบวกกับมาตราส่วนการนำทางคูณด้วยความแตกต่างระหว่างการทำนายแบบมีเงื่อนไขและแบบไม่มีเงื่อนไข ระดับ 1 หมายถึงไม่มีคำแนะนำ ค่าทั่วไปคือ 5 ถึง 9 การกดสเกลที่สูงมากจะขยายคุณสมบัติพร้อมต์ แต่ทำให้เกิดสีที่อิ่มตัวมากเกินไป คอนทราสต์ที่รุนแรง และสิ่งแปลกปลอม เนื่องจากแบบจำลองคาดการณ์ไปไกลเกินกว่าการกระจายที่เรียนรู้ มีค่าใช้จ่ายประมาณสองส่งต่อต่อขั้นตอนการลดสัญญาณรบกวน
ผลกระทบเชิงกลยุทธ์
ความเร็วและขนาด
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
สร้างทางเลือก
ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
ทีมงานและขั้นตอนการทำงาน
การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
อนาคตของคำแนะนำแบบไม่มีตัวแยกประเภท
นักวิจัยกำลังปรับปรุงคำแนะนำเพื่อให้ยึดมั่นในทันทีโดยไม่ทำให้เกินความจำเป็น ผ่านการกำหนดเกณฑ์แบบไดนามิก กำหนดการคำแนะนำที่เปลี่ยนแปลงความแข็งแกร่งในแต่ละขั้นตอน และปรับขนาดเทคนิคต่างๆ ขณะนี้โมเดลที่กลั่นแล้วรวมการนำทางไว้ในการส่งผ่านเพียงครั้งเดียวเพื่อลดการประมวลผลลงครึ่งหนึ่ง และสูตรที่ใหม่กว่าจะสำรวจความสนใจที่ตกตะลึงและการนำทางอัตโนมัติซึ่งไม่จำเป็นต้องแยกย่อยโดยไม่มีเงื่อนไขเลย โดยมุ่งเป้าไปที่ภาพที่คมชัดและสมจริงด้วยต้นทุนที่ต่ำกว่า
การใช้งานจริงในโลกแห่งความเป็นจริง
การปรับแถบเลื่อน 'มาตราส่วน CFG' ใน Stable Diffusion หรือ Midjourney เพื่อสร้างสมดุลระหว่างความแม่นยำในทันทีกับความคิดสร้างสรรค์
การเพิ่มคำแนะนำเพื่อบังคับให้ตัวสร้างรวมวัตถุที่เฉพาะเจาะจงและยากต่อการเรนเดอร์ตามที่อธิบายไว้ในพรอมต์
ลดคำแนะนำลงเพื่อให้ได้ผลลัพธ์ที่หลากหลายมากขึ้น และมีความอิ่มตัวน้อยลง เมื่อสำรวจตัวเลือกการออกแบบมากมาย
การปรับแต่งตารางคำแนะนำในไปป์ไลน์การผลิตเพื่อลดปัญหาการเบิร์นสีในการเรนเดอร์ที่มีรายละเอียดสูง
ความเสี่ยงและรั้ว
สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
แผนงานการดำเนินงาน
กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
สำรวจต่อไป
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 Classifier-Free Guidance 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
คำแนะนำต่อไป
ตัวแยกประเภท Naive Bayes
คำถามที่พบบ่อย
What is Classifier-Free Guidance?
คำแนะนำที่ไม่ต้องใช้ตัวแยกประเภทเป็นเทคนิคที่ทำให้แบบจำลองการแพร่กระจายเป็นไปตามคำแนะนำของคุณจริง ๆ โดยแลกความหลากหลายบางอย่างเพื่อการยึดเกาะที่แข็งแกร่งยิ่งขึ้น มันเป็นวงแหวนเดียวที่อยู่ด้านหลังแถบเลื่อน 'มาตราส่วนนำทาง' ในเครื่องสร้างภาพเกือบทุกเครื่อง
จุดประสงค์หลักของคำแนะนำแบบไม่มีตัวแยกประเภทคืออะไร
คำแนะนำแบบไม่มีตัวแยกประเภทช่วยเพิ่มความสม่ำเสมอในทันทีโดยการอนุมานจากแบบไม่มีเงื่อนไขไปสู่การทำนายแบบมีเงื่อนไข
โมเดลเรียนรู้ที่จะทำการคาดการณ์แบบไม่มีเงื่อนไขสำหรับคำแนะนำแบบไม่มีตัวแยกประเภทได้อย่างไร
ในระหว่างการฝึก พรอมต์จะลดลงแบบสุ่มในบางครั้ง ดังนั้นเครือข่ายหนึ่งจึงเรียนรู้ทั้งพฤติกรรมแบบมีเงื่อนไขและไม่มีเงื่อนไข
โดยทั่วไปการเพิ่มระดับแนวทางทำอะไร?
แนวทางที่สูงขึ้นบังคับให้มีการยึดเกาะที่เข้มงวดยิ่งขึ้นและคุณสมบัติที่แข็งแกร่งยิ่งขึ้น แต่การผลักดันไปไกลเกินไปจะทำให้ภาพมีความอิ่มตัวมากเกินไป รุนแรง และมีแนวโน้มที่จะเกิดข้อผิดพลาด
คำแนะนำแบบไม่มีตัวแยกประเภทมาตรฐานต้องใช้การส่งต่อไปข้างหน้าประมาณกี่ครั้งต่อขั้นตอนการดีนอยซ์
แบบจำลองจะถูกรันหนึ่งครั้งโดยได้รับพร้อมต์และอีกครั้งหนึ่งโดยไม่มี จากนั้นการคาดการณ์จะรวมกัน โดยมีราคาประมาณสองรอบต่อขั้นตอน
คำแนะนำแบบไม่มีตัวแยกประเภทมีข้อได้เปรียบเหนือคำแนะนำตัวแยกประเภทอย่างไร
การใช้เครือข่ายเดียวสำหรับการคาดการณ์ทั้งสองแบบ จะหลีกเลี่ยงตัวแยกประเภทพิเศษที่เปราะบางซึ่งจำเป็นต้องมีการแพร่กระจายแบบชี้นำแบบเก่า