ภาพรวม
โมเดลการแพร่กระจายแฝงจะสร้างภาพโดยการรันกระบวนการแพร่กระจายในพื้นที่แฝงที่ถูกบีบอัด แทนที่จะเป็นพิกเซลดิบ ซึ่งช่วยลดต้นทุนการประมวลผลลงอย่างมาก พวกมันคือกลไกเบื้องหลัง Stable Diffusion และเครื่องสร้างภาพโอเพ่นซอร์สที่ทันสมัยที่สุด
โมเดลการแพร่กระจายแฝงเป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์
เจาะลึก
แบบจำลองการแพร่กระจายแบบมาตรฐานเรียนรู้ที่จะย้อนกลับกระบวนการที่มีสัญญาณรบกวน โดยเริ่มต้นจากสัญญาณรบกวนบริสุทธิ์และค่อยๆ ลดสัญญาณรบกวนลงในภาพ การดำเนินการนี้กับพิกเซลโดยตรงมีราคาแพงเนื่องจากรูปภาพขนาด 512x512 มีค่าหลายแสนค่า การแพร่กระจายแบบแฝงซึ่ง Rombach และเพื่อนร่วมงานแนะนำในปี 2565 มีการใช้ตัวเข้ารหัสอัตโนมัติแบบแปรผัน (VAE) ที่ได้รับการฝึกไว้ล่วงหน้าเพื่อบีบอัดรูปภาพให้เป็นตารางแฝงขนาดเล็ก (มักมีขนาด 64x64x4 หรือเล็กกว่าประมาณ 48 เท่า) จากนั้นการแพร่กระจายของ U-Net จะเรียนรู้ที่จะปฏิเสธภายในพื้นที่แฝงขนาดกะทัดรัดนั้น ซึ่งได้รับคำแนะนำจากข้อความผ่านการให้ความสนใจแบบข้าม ในที่สุดตัวถอดรหัส VAE จะสร้างพิกเซลความละเอียดเต็มขึ้นมาใหม่ การบีบอัดการรับรู้นี้จะเก็บข้อมูลที่มีความหมายทางความหมาย ในขณะที่ละทิ้งรายละเอียดที่มองไม่เห็น ทำให้การสร้างคุณภาพสูงบน GPU ของผู้บริโภคเป็นไปได้
ข้อมูลเชิงลึกทางเทคนิค
เคล็ดลับสำคัญคือการแยกการบีบอัดการรับรู้ออกจากการสร้างแบบจำลองเชิงกำเนิด VAE จัดการรายละเอียดพิกเซลความถี่สูงเพียงครั้งเดียว และ U-Net จะจำลองเฉพาะการกระจายแฝงในมิติที่ต่ำกว่าเท่านั้น การปรับสภาพข้อความถูกฉีดผ่านเลเยอร์การสนใจข้าม โดยที่คุณสมบัติเชิงพื้นที่ของ U-Net ให้ความสำคัญกับการฝังโทเค็นจากตัวเข้ารหัสข้อความเช่น CLIP เนื่องจากค่าแฝงนั้นเล็กกว่าพิกเซลประมาณ 48 เท่า แต่ละขั้นตอนการลดสัญญาณรบกวนจึงมีราคาถูกกว่าอย่างมากทั้งในหน่วยความจำและ FLOP
การเรียนรู้แบบจำลองการแพร่กระจายแฝง
โมเดลการแพร่กระจายแฝงจะสร้างภาพโดยการรันกระบวนการแพร่กระจายในพื้นที่แฝงที่ถูกบีบอัด แทนที่จะเป็นพิกเซลดิบ ซึ่งช่วยลดต้นทุนการประมวลผลลงอย่างมาก พวกมันคือกลไกเบื้องหลัง Stable Diffusion และเครื่องสร้างภาพโอเพ่นซอร์สที่ทันสมัยที่สุด โมเดลการแพร่กระจายแฝงเป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์ เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Latent Diffusion Models เป็นเพียงแบบจำลองการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังคงต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ Latent Diffusion Models จะรักษาสมดุลระหว่างความแม่นยำกับความเป็นจริงในการปฏิบัติงาน เช่น คุณภาพของข้อมูล ความแปรปรวนของแสง และความสม่ำเสมอในการติดฉลาก 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
การกระจายที่เสถียรสร้างงานศิลปะและการออกแบบแนวคิดจากข้อความแจ้งบน GPU สำหรับผู้บริโภคเพียงตัวเดียว
Adobe และ Canva ขับเคลื่อนฟีเจอร์การเติมข้อความเป็นรูปภาพและการเติมแบบสร้างสรรค์ที่สร้างบนแบ็คโบนการแพร่กระจายแฝง
สตูดิโอเกมที่ผลิตแผนที่พื้นผิว สไปรท์ และคอนเซ็ปอาร์ทเกี่ยวกับสิ่งแวดล้อมเพื่อเร่งการผลิตล่วงหน้า
ทีมภาพสต็อกและการตลาดสร้างภาพจำลองผลิตภัณฑ์และภาพโฆษณาตามแบรนด์โดยไม่ต้องถ่ายภาพ
รูปแบบการดำเนินงาน
แบบจำลองการแพร่กระจายแฝงในทางปฏิบัติ
การกระจายที่เสถียรสร้างงานศิลปะและการออกแบบแนวคิดจากข้อความแจ้งบน GPU สำหรับผู้บริโภคเพียงตัวเดียว
การกระจายที่เสถียรซึ่งสร้างงานศิลปะและการออกแบบแนวคิดจากข้อความแจ้งบน GPU สำหรับผู้บริโภคเพียงรายเดียว ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
แบบจำลองการแพร่กระจายแฝงในทางปฏิบัติ
Adobe และ Canva ขับเคลื่อนฟีเจอร์การเติมข้อความเป็นรูปภาพและการเติมแบบสร้างสรรค์ที่สร้างบนแบ็คโบนการแพร่กระจายที่แฝงอยู่
Adobe และ Canva ขับเคลื่อนฟีเจอร์การเติมข้อความเป็นรูปภาพและการเติมแบบสร้างใหม่ที่สร้างขึ้นบนแบ็คโบนการแพร่กระจายแบบแฝง ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
แบบจำลองการแพร่กระจายแฝงในทางปฏิบัติ
สตูดิโอเกมที่ผลิตแผนที่พื้นผิว สไปรท์ และคอนเซ็ปอาร์ทเกี่ยวกับสิ่งแวดล้อมเพื่อเร่งการผลิตล่วงหน้า
สตูดิโอเกมที่สร้างแผนที่พื้นผิว สไปรท์ และแนวคิดศิลปะเกี่ยวกับสภาพแวดล้อมเพื่อเร่งการผลิตก่อนการผลิต ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
แบบจำลองการแพร่กระจายแฝงในทางปฏิบัติ
ทีมภาพสต็อกและการตลาดสร้างภาพจำลองผลิตภัณฑ์และภาพโฆษณาตามแบรนด์โดยไม่ต้องถ่ายภาพ
ทีมภาพสต็อกและการตลาดที่สร้างการจำลองผลิตภัณฑ์และภาพโฆษณาตามแบรนด์โดยไม่ต้องถ่ายภาพ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
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