ต่อไปคำแนะนำต่อไป
การแสดงข้อความในรูปภาพที่สร้างโดย AI
วิชวลเอไอ
คู่มือ AI แบบเห็นภาพ
Imagen คือระบบแปลงข้อความเป็นรูปภาพของ Google ที่เปลี่ยนคำอธิบายที่เป็นลายลักษณ์อักษรให้เป็นภาพที่สมจริง
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
Its headline finding was that a large frozen language model, not a bigger image network, was the biggest driver of quality.
Imagen ประกาศโดย Google ในปี 2022 ว่าการเข้าใจคำสั่งอย่างลึกซึ้งมีความสำคัญพอๆ กับการวาดภาพให้ดี แทนที่จะใช้ตัวเข้ารหัสข้อความแบบ CLIP Imagen ใช้ตัวเข้ารหัสข้อความที่ได้รับการฝึกอบรมล่วงหน้าขนาดใหญ่ (T5-XXL) ที่ถูกเก็บเอาไว้ จากนั้นจึงป้อนการฝังภาษาที่หลากหลายเหล่านั้นลงในโมเดลการแพร่กระจาย โดยจะสร้างภาพขนาดเล็กขนาด 64x64 และใช้ขั้นตอนการแพร่กระจายที่มีความละเอียดสูงสุดสองขั้นตอนเพื่อเพิ่มสเกลเป็น 1024x1024 ทีมงานยังได้แนะนำ 'การกำหนดเกณฑ์แบบไดนามิก' เพื่อรักษาสีให้คงที่เมื่อมีคำแนะนำระดับสูง และสร้าง DrawBench ซึ่งเป็นเกณฑ์มาตรฐานของการนับการทดสอบที่ยุ่งยาก ความสัมพันธ์เชิงพื้นที่ และการผสมผสานที่หายาก Imagen 2 และ Imagen 3 เวอร์ชันใหม่กว่า มีรายละเอียดที่คมชัดขึ้น การแสดงข้อความ และความเที่ยงตรงในทันที และตอนนี้ขับเคลื่อนเครื่องมือรูปภาพของ Google แล้ว
การสร้างภาพทางการตลาดที่สมจริงด้วยภาพจากบทสรุปที่เป็นลายลักษณ์อักษรโดยไม่ต้องถ่ายภาพ
การสร้างภาพประกอบแนวคิดสำหรับการเล่าเรื่องหรือหนังสือเด็กจากประโยคพรรณนา
สร้างแบบจำลองผลิตภัณฑ์และฉากต่างๆ สำหรับรายการอีคอมเมิร์ซ
การแสดงแนวคิดทางวิทยาศาสตร์หรือการศึกษา เช่น การแสดงของศิลปินที่อธิบายเป็นภาษาธรรมดา
เชื้อสายของ Imagen กำลังมุ่งสู่การแสดงข้อความภายในรูปภาพที่ดีขึ้น การติดตามฉากที่ซับซ้อนที่เข้มงวดยิ่งขึ้น และการสุ่มตัวอย่างที่รวดเร็วยิ่งขึ้น คาดหวังการผสมผสานที่ลึกซึ้งยิ่งขึ้นกับโมเดลภาษา ดังนั้นระบบ 'เหตุผล' เกี่ยวกับคำขอก่อนที่จะวาด บวกกับลายน้ำที่เข้มกว่าเช่น SynthID สำหรับแหล่งที่มา เนื่องจากบูรณาการระหว่างผลิตภัณฑ์ของ Google และระบบนิเวศ Gemini จุดเน้นจึงเปลี่ยนไปสู่การสร้างที่เชื่อถือได้ ปลอดภัย และควบคุมได้ แทนที่จะเป็นสิ่งแปลกใหม่
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
Imagen คือระบบแปลงข้อความเป็นรูปภาพของ Google ที่เปลี่ยนคำอธิบายที่เป็นลายลักษณ์อักษรให้เป็นภาพที่สมจริง การค้นพบพาดหัวคือโมเดลภาษาแช่แข็งขนาดใหญ่ ไม่ใช่เครือข่ายภาพที่ใหญ่กว่า เป็นตัวขับเคลื่อนคุณภาพที่ใหญ่ที่สุด
The reported comparisons favored scaling the text encoder; this is a study result, not a universal rule for every architecture.
Imagen ใช้ตัวเข้ารหัส T5-XXL ที่ได้รับการฝึกล่วงหน้าแบบข้อความขนาดใหญ่ และถูกแช่แข็งไว้ระหว่างการฝึก
โดยจะสร้างภาพขนาด 64x64 จากนั้นจึงเพิ่มสเกลผ่านโมเดลการแพร่กระจายที่มีความละเอียดสูงสุดเป็น 1024x1024
The method clips and rescales predicted pixels to limit saturation under large guidance weights.
DrawBench เป็นเกณฑ์มาตรฐาน Google ที่นำมาใช้กับ Imagen เพื่อทดสอบการนับ ความสัมพันธ์เชิงพื้นที่ และการแจ้งเตือนที่หายาก
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
การแสดงข้อความในรูปภาพที่สร้างโดย AI
วิชวลเอไอ