ภาพรวม
GLIGEN (Grounded-Language-to-Image Generation) ช่วยให้คุณควบคุมได้อย่างแม่นยำว่าวัตถุจะปรากฏที่ใดในรูปภาพที่สร้างขึ้นโดยการป้อนกล่องและป้ายกำกับขอบเขตของโมเดลควบคู่ไปกับข้อความแจ้ง เปลี่ยนข้อความเป็นภาพที่คลุมเครือเป็นการสังเคราะห์ที่แม่นยำและควบคุมเค้าโครงได้
GLIGEN Grounded Generation เป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์
เจาะลึก
โมเดลข้อความเป็นรูปภาพมาตรฐานมีปัญหากับการควบคุมเชิงพื้นที่: ถามหา 'แมวทางซ้ายของสุนัข' และคุณมักจะจัดตำแหน่งผิด GLIGEN ซึ่งเปิดตัวในปี 2023 แก้ไขปัญหานี้โดยการเพิ่มอินพุตกราวด์ เช่น กล่องขอบเขตที่จับคู่กับเอนทิตีข้อความหรือรูปภาพ จุดสำคัญ หรือรูปภาพอ้างอิง สิ่งสำคัญที่สุดคือ มันจะหยุดน้ำหนักของโมเดลการแพร่กระจายแบบเดิมที่ได้รับการฝึกไว้ล่วงหน้า และอัดฉีดเลเยอร์การดูแลตนเองที่มีรั้วรอบขอบชิดที่สามารถฝึกได้ใหม่ ซึ่งจะดูดซับโทเค็นกราวด์ ซึ่งหมายความว่าจะสร้างบนโมเดลอย่าง Stable Diffusion โดยไม่ทำลายความรู้ที่เรียนมา และเกตเริ่มต้นใกล้ศูนย์ ดังนั้นพฤติกรรมของโมเดลพื้นฐานจึงได้รับการเก็บรักษาไว้ตั้งแต่เนิ่นๆ ในการฝึก ผลลัพธ์ที่ได้คือการสร้างโลกที่เปิดกว้าง: คุณสามารถวางวัตถุที่อธิบายโดยพลการในตำแหน่งที่ระบุได้ และจะสรุปแนวคิดและเค้าโครงที่ไม่เห็นในระหว่างการฝึกภาคพื้นดิน
ข้อมูลเชิงลึกทางเทคนิค
GLIGEN แสดงถึงแต่ละเอนทิตีกราวด์เป็นโทเค็นที่รวมข้อความหรือรูปภาพที่ฝังไว้กับข้อมูลเชิงพื้นที่ เช่น พิกัดสี่พิกัดของกล่องขอบเขตที่เข้ารหัสผ่านคุณสมบัติฟูริเยร์ โทเค็นการต่อสายดินเหล่านี้เข้าสู่ U-Net การแพร่กระจายแบบเยือกแข็งผ่านเลเยอร์การเอาใจใส่ตนเองแบบมีรั้วรอบขอบชิดที่เพิ่งแทรกไว้ซึ่งอยู่ระหว่างบล็อกการเอาใจใส่ตนเองและบล็อกการสนใจข้ามที่มีอยู่ ประตูที่เรียนรู้ได้ซึ่งกำหนดค่าเริ่มต้นเป็นศูนย์ จะควบคุมว่าการต่อสายดินส่งผลต่อการสร้างมากน้อยเพียงใด ดังนั้นการเพิ่มการควบคุมจะลดระดับลงอย่างสวยงามและการฝึกฝนจะมีเสถียรภาพ
การเรียนรู้ GLIGEN Grounded Generation
GLIGEN (Grounded-Language-to-Image Generation) ช่วยให้คุณควบคุมได้อย่างแม่นยำว่าวัตถุจะปรากฏที่ใดในรูปภาพที่สร้างขึ้นโดยการป้อนกล่องและป้ายกำกับขอบเขตของโมเดลควบคู่ไปกับข้อความแจ้ง เปลี่ยนข้อความเป็นภาพที่คลุมเครือเป็นการสังเคราะห์ที่แม่นยำและควบคุมเค้าโครงได้ GLIGEN Grounded Generation เป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์ เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า GLIGEN Grounded Generation เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ GLIGEN Grounded Generation จะรักษาสมดุลระหว่างความแม่นยำกับความเป็นจริงในการปฏิบัติงาน 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
การวางโลโก้หรือผลิตภัณฑ์ในพื้นที่ที่แน่นอนของโฆษณาที่สร้างขึ้นโดยใช้กรอบขอบเขต
การเขียนฉากที่ซับซ้อนโดยระบุตำแหน่งที่ตัวละครหรือวัตถุแต่ละตัวควรนั่งก่อนเรนเดอร์
การสร้างข้อมูลการฝึกอบรมสำหรับการตรวจจับวัตถุด้วยตำแหน่งกล่องความจริงที่ทราบ
การวาดภาพวัตถุที่อธิบายไว้ในพื้นที่ที่ผู้ใช้วาดของภาพถ่ายที่มีอยู่
รูปแบบการดำเนินงาน
GLIGEN Grounded Generation ในทางปฏิบัติ
การวางโลโก้หรือผลิตภัณฑ์ในพื้นที่ที่แน่นอนของโฆษณาที่สร้างขึ้นโดยใช้กรอบขอบเขต
การวางโลโก้หรือผลิตภัณฑ์ในพื้นที่ที่แน่นอนของโฆษณาที่สร้างขึ้นโดยใช้กล่องขอบเขต ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
GLIGEN Grounded Generation ในทางปฏิบัติ
การเขียนฉากที่ซับซ้อนโดยระบุตำแหน่งที่ตัวละครหรือวัตถุแต่ละตัวควรนั่งก่อนเรนเดอร์
การเขียนฉากที่ซับซ้อนโดยการระบุตำแหน่งที่ตัวละครหรือวัตถุแต่ละตัวควรนั่งก่อนที่จะเรนเดอร์ ทีมมักจะได้ผลลัพธ์ที่ดีกว่าเมื่อกำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
GLIGEN Grounded Generation ในทางปฏิบัติ
การสร้างข้อมูลการฝึกอบรมสำหรับการตรวจจับวัตถุด้วยตำแหน่งกล่องความจริงที่ทราบ
การสร้างข้อมูลการฝึกอบรมสำหรับการตรวจจับวัตถุด้วยตำแหน่งกล่องความจริงที่ทราบ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อกำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
GLIGEN Grounded Generation ในทางปฏิบัติ
การวาดภาพวัตถุที่อธิบายไว้ในพื้นที่ที่ผู้ใช้วาดของภาพถ่ายที่มีอยู่
การลงสีวัตถุที่อธิบายไว้ในพื้นที่ที่ผู้ใช้วาดของภาพถ่ายที่มีอยู่ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
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