ภาพรวม
โมเดลกำเนิดตามคะแนนจะสร้างข้อมูลโดยการเรียนรู้การไล่ระดับสีของการกระจายข้อมูล ซึ่งเป็นทิศทางที่ทำให้ตัวอย่างที่มีสัญญาณรบกวนดูเหมือนข้อมูลจริงมากขึ้น มุมมองฟังก์ชันคะแนนนี้จะรวมโมเดลการแพร่เข้ากับสมการเชิงอนุพันธ์สุ่ม และสนับสนุนโปรแกรมสร้างภาพสมัยใหม่จำนวนมาก
Score-Based Generative Models เป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์
เจาะลึก
แทนที่จะสร้างแบบจำลองความน่าจะเป็นโดยตรง โมเดลตามคะแนนจะเรียนรู้คะแนน: การไล่ระดับสีของความหนาแน่นของบันทึก-ความน่าจะเป็นโดยคำนึงถึงข้อมูลนำเข้า การรู้ว่าวิธีใดที่จะดันตัวอย่างเพื่อเพิ่มความเป็นไปได้ก็เพียงพอที่จะสร้างข้อมูลใหม่ได้ งานของ Yang Song และ Stefano Ermon ในปี 2019 ได้ฝึกเครือข่ายเพื่อประมาณคะแนนนี้ในระดับเสียงต่างๆ โดยใช้การจับคู่คะแนน denoising จากนั้นสร้างตัวอย่างที่มีไดนามิกของ Langevin โดยก้าวไปตามคะแนนซ้ำๆ และเพิ่มสัญญาณรบกวนเล็กน้อย รายงานคะแนน-SDE ปี 2021 ของพวกเขาแสดงให้เห็นว่าแบบจำลองการแพร่กระจายและแบบจำลองตามคะแนนเป็นสองหน้าของกระบวนการต่อเนื่องเดียวกันที่อธิบายโดยสมการเชิงอนุพันธ์สุ่ม สิ่งสำคัญอย่างยิ่งคือ SDE ทุกตัวมี ODE 'กระแสความน่าจะเป็น' เชิงกำหนดที่เกี่ยวข้องกัน ซึ่งใช้ส่วนขอบเดียวกัน ทำให้เกิดความน่าจะเป็นที่แน่นอนและการสุ่มตัวอย่างที่รวดเร็ว
ข้อมูลเชิงลึกทางเทคนิค
การประมาณคะแนนของข้อมูลที่สะอาดโดยตรงเป็นเรื่องยากในกรณีที่ข้อมูลมีน้อย ดังนั้นแบบจำลองจึงได้รับการฝึกอบรมเกี่ยวกับข้อมูลที่รบกวนจากสัญญาณรบกวนแบบเกาส์เซียนในหลายระดับ การจับคู่คะแนน Denoising ให้เป้าหมายที่เข้าใจได้: คะแนนของการกระจายสัญญาณรบกวนเท่ากับทิศทางของสัญญาณรบกวนหารด้วยความแปรปรวนของสัญญาณรบกวน ดังนั้นการทำนายสัญญาณรบกวนและการทำนายคะแนนจึงเป็นสิ่งเดียวกันโดยพื้นฐานแล้ว การสุ่มตัวอย่างจะแก้ SDE ตามเวลาย้อนกลับ (หรือ ODE ของความน่าจะเป็นที่เทียบเท่า) โดยเริ่มจากสัญญาณรบกวนแบบเกาส์เซียนล้วนๆ
การเรียนรู้โมเดลการสร้างตามคะแนน
โมเดลกำเนิดตามคะแนนจะสร้างข้อมูลโดยการเรียนรู้การไล่ระดับสีของการกระจายข้อมูล ซึ่งเป็นทิศทางที่ทำให้ตัวอย่างที่มีสัญญาณรบกวนดูเหมือนข้อมูลจริงมากขึ้น มุมมองฟังก์ชันคะแนนนี้จะรวมโมเดลการแพร่เข้ากับสมการเชิงอนุพันธ์สุ่ม และสนับสนุนโปรแกรมสร้างภาพสมัยใหม่จำนวนมาก Score-Based Generative Models เป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์ เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Score-Based Generative Models เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังคงต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้โมเดลการสร้างตามคะแนนจะรักษาสมดุลระหว่างความแม่นยำกับความเป็นจริงในการปฏิบัติงาน 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
เครือข่ายคะแนนแบบมีเงื่อนไขเสียงรบกวน (NCSN) ที่สร้างใบหน้าที่เหมือนจริงโดยการติดตามการไล่ระดับคะแนนที่เรียนรู้ผ่านไดนามิกของ Langevin
การสร้างภาพทางการแพทย์ขึ้นมาใหม่ เช่น MRI แบบเร่ง ซึ่งคะแนนที่เรียนรู้ทำหน้าที่เป็นก่อนที่จะกรอกข้อมูลการสแกนที่สุ่มตัวอย่างน้อย
การสร้างโครงสร้างโมเลกุลและโปรตีนในการค้นคว้ายา การสร้างแบบจำลองโครงสร้างอะตอม 3 มิติพร้อมการแพร่กระจายแบบอิงคะแนน
การสังเคราะห์รูปคลื่นเสียงโดยที่แบบจำลองคะแนนลดเสียงพูดหรือดนตรีที่สะอาดตา เช่นเดียวกับในตัวแปลงเสียงที่ใช้การแพร่กระจาย
รูปแบบการดำเนินงาน
แบบจำลองการกำเนิดตามคะแนนในทางปฏิบัติ
เครือข่ายคะแนนแบบมีเงื่อนไขเสียงรบกวน (NCSN) ที่สร้างใบหน้าที่เหมือนจริงโดยการติดตามการไล่ระดับคะแนนที่เรียนรู้ผ่านไดนามิกของ Langevin
Noise-Conditional Score Networks (NCSN) ที่สร้างใบหน้าเสมือนจริงโดยทำตามการไล่ระดับคะแนนที่เรียนรู้ผ่าน Langevin Dynamics ทีมงานมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับของมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
แบบจำลองการกำเนิดตามคะแนนในทางปฏิบัติ
การสร้างภาพทางการแพทย์ขึ้นมาใหม่ เช่น MRI แบบเร่ง ซึ่งคะแนนที่เรียนรู้ทำหน้าที่เป็นก่อนที่จะกรอกข้อมูลการสแกนที่สุ่มตัวอย่างน้อย
การสร้างภาพทางการแพทย์ขึ้นใหม่ เช่น MRI แบบเร่ง ซึ่งคะแนนที่เรียนรู้ทำหน้าที่เป็นก่อนที่จะกรอกข้อมูลการสแกนที่สุ่มตัวอย่างต่ำ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
แบบจำลองการกำเนิดตามคะแนนในทางปฏิบัติ
การสร้างโครงสร้างโมเลกุลและโปรตีนในการค้นคว้ายา การสร้างแบบจำลองโครงสร้างอะตอม 3 มิติพร้อมการแพร่กระจายแบบอิงคะแนน
การสร้างโครงสร้างโมเลกุลและโปรตีนในการค้นคว้ายา การสร้างแบบจำลองการกำหนดค่าอะตอมมิก 3 มิติด้วยการแพร่กระจายตามคะแนน ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับของมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
แบบจำลองการกำเนิดตามคะแนนในทางปฏิบัติ
การสังเคราะห์รูปคลื่นเสียงโดยที่แบบจำลองคะแนนลดเสียงพูดหรือดนตรีที่สะอาดตา เช่นเดียวกับในตัวแปลงเสียงที่ใช้การแพร่กระจาย
การสังเคราะห์รูปคลื่นเสียงโดยที่แบบจำลองคะแนนปฏิเสธคำพูดหรือดนตรีที่สะอาดตา เช่นเดียวกับในทีมโวโคเดอร์ที่ใช้การแพร่กระจายมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับของมนุษย์สำหรับกรณี 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