คู่มือ AI แบบเห็นภาพ

SDXL และการกระจายแบบเรียงซ้อน

SDXL คือโมเดลการแปลงข้อความเป็นรูปภาพความละเอียดสูงของ Stability AI ที่จับคู่ตัวสร้างฐานอันทรงพลังกับตัวปรับแต่ง ในขณะที่การกระจายแบบเรียงซ้อนเชื่อมโยงหลายโมเดลเพื่อสร้างรูปภาพจากความละเอียดต่ำไปสูง

ภาพรวม

SDXL คือโมเดลการแปลงข้อความเป็นรูปภาพความละเอียดสูงของ Stability AI ที่จับคู่ตัวสร้างฐานอันทรงพลังกับตัวปรับแต่ง ในขณะที่การกระจายแบบเรียงซ้อนเชื่อมโยงหลายโมเดลเพื่อสร้างรูปภาพจากความละเอียดต่ำไปสูง พวกเขาช่วยกันอธิบายว่าโปรแกรมสร้างภาพแบบโอเพ่นซอร์สสมัยใหม่ส่งผลต่อคุณภาพที่เหมือนจริงได้อย่างไร

SDXL และ Cascaded Diffusion เป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์

เจาะลึก

SDXL (Stable Diffusion XL) คือโมเดลการแพร่กระจายที่มีพารามิเตอร์ประมาณ 3.5 พันล้านพารามิเตอร์ ซึ่งสร้างภาพขนาด 1024x1024 โดยกำเนิด ซึ่งก้าวข้าม Stable Diffusion ดั้งเดิมที่มีขนาด 512x512 อย่างมาก ใช้ตัวเข้ารหัสข้อความสองตัว (OpenCLIP ViT-bigG และ CLIP ViT-L) เพื่อการทำความเข้าใจที่รวดเร็วยิ่งขึ้น รวมถึงขนาดและการปรับสภาพการครอบตัด เพื่อให้โมเดลทราบความละเอียดและการจัดเฟรมเป้าหมาย SDXL จัดส่งเป็นไปป์ไลน์แบบสองขั้นตอน: โมเดลพื้นฐานจะสร้างอิมเมจแฝง จากนั้นโมเดลตัวปรับแต่งเสริมจะเพิ่มรายละเอียดอย่างละเอียดในขั้นตอนการลดสัญญาณรบกวนขั้นสุดท้าย การแพร่กระจายแบบเรียงซ้อนเป็นแนวคิดที่กว้างกว่าอยู่เบื้องหลังสิ่งนี้ แทนที่จะใช้แบบจำลองเดียวที่ทำทุกอย่าง คุณจะเชื่อมโยงแบบจำลองขนาดเล็กที่สร้างภาพความละเอียดต่ำเข้ากับแบบจำลองการแพร่กระจายที่มีความละเอียดสูงพิเศษที่จะยกระดับมัน โดยแต่ละแบบจำลองได้รับการฝึกฝนมาเพื่อเวทีของมัน Imagen ของ Google ทำให้วิธีการแบบเรียงซ้อนเป็นที่นิยม

ข้อมูลเชิงลึกทางเทคนิค

ทั้งสองทำงานในกรอบ denoising: เริ่มจากสัญญาณรบกวนแบบสุ่ม และทำนายซ้ำและลบออก ตามคำแนะนำของข้อความ SDXL ทำงานในพื้นที่แฝงที่ถูกบีบอัดผ่าน VAE ดังนั้นการลดสัญญาณรบกวนจึงมีราคาถูกกว่าการทำงานกับพิกเซลดิบ เครื่องกลั่นเป็นรุ่นผู้เชี่ยวชาญแยกต่างหากที่จัดการเฉพาะขั้นตอนสุดท้ายที่มีเสียงรบกวนต่ำเท่านั้น ในรูปแบบคาสเคดที่แท้จริง โมเดลพื้นฐานจะส่งเอาต์พุตภาพขนาดเล็ก จากนั้นโมเดลการแพร่กระจายที่มีความละเอียดสูงสุดแบบมีเงื่อนไขจะอัปตัวอย่าง โดยแต่ละโมเดลมีเงื่อนไขบนเอาต์พุตที่มีความละเอียดต่ำกว่า มักใช้การเพิ่มการปรับสภาพสัญญาณรบกวนเพื่อรักษาความแข็งแกร่ง

การเรียนรู้ SDXL และการกระจายแบบเรียงซ้อน

หากต้องการสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า SDXL และ Cascaded Diffusion เป็นเพียงโมเดลการทำงาน ไม่ใช่ฟีเจอร์เดียว กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ

ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ SDXL และ Cascaded Diffusion 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

อนาคตของ SDXL และการกระจายแบบเรียงซ้อน

แนวโน้มมีขั้นตอนน้อยลง เร็วขึ้น และสถาปัตยกรรมที่เป็นหนึ่งเดียว วิธีการกลั่น เช่น SDXL Turbo และ Latent Consistency Models ได้ลดการผลิตลงเหลือหนึ่งถึงสี่ขั้นตอนแล้ว หม้อแปลงแบบกระจาย (เช่นใน Stable Diffusion 3 และ FLUX) ส่วนใหญ่มาแทนที่ U-Net backbone และการสร้างความละเอียดสูงแบบ end-to-end กำลังลดการพึ่งพาการเรียงซ้อนที่ชัดเจน คาดหวังการผสานรวมการปรับแต่งที่เข้มงวดมากขึ้น การแสดงข้อความที่ดีขึ้น และการสังเคราะห์ภาพบนอุปกรณ์แบบเรียลไทม์ ในขณะที่ประสิทธิภาพดีขึ้นเรื่อยๆ

การใช้งานจริงในโลกแห่งความเป็นจริง

สร้างการตลาดและแนวคิดศิลปะขนาด 1024x1024 โดยตรงจากข้อความแจ้งโดยไม่ต้องมีตัวขยายขนาดแยกต่างหาก

การใช้ไปป์ไลน์ SDXL base-plus-refiner เพื่อเพิ่มรายละเอียดที่คมชัดให้กับใบหน้าและพื้นผิวในการจำลองผลิตภัณฑ์

ใช้งาน SDXL Turbo เพื่อดูตัวอย่างภาพที่แทบจะทันทีในเครื่องมือออกแบบเชิงโต้ตอบ

สร้างน้ำตกที่มีความละเอียดสูงแบบกำหนดเองเพื่อเปลี่ยนภาพร่างที่มีความละเอียดต่ำให้เป็นภาพประกอบที่มีความละเอียดสูง

รูปแบบการดำเนินงาน

SDXL และ Cascaded Diffusion ในทางปฏิบัติ

สร้างการตลาดและแนวคิดศิลปะขนาด 1024x1024 โดยตรงจากข้อความแจ้งโดยไม่ต้องมีตัวขยายขนาดแยกต่างหาก

โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

SDXL และ Cascaded Diffusion ในทางปฏิบัติ

การใช้ไปป์ไลน์ SDXL base-plus-refiner เพื่อเพิ่มรายละเอียดที่คมชัดให้กับใบหน้าและพื้นผิวในการจำลองผลิตภัณฑ์

โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

SDXL และ Cascaded Diffusion ในทางปฏิบัติ

ใช้งาน SDXL Turbo เพื่อดูตัวอย่างภาพที่แทบจะทันทีในเครื่องมือออกแบบเชิงโต้ตอบ

โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

SDXL และ Cascaded Diffusion ในทางปฏิบัติ

สร้างน้ำตกที่มีความละเอียดสูงแบบกำหนดเองเพื่อเปลี่ยนภาพร่างที่มีความละเอียดต่ำให้เป็นภาพประกอบที่มีความละเอียดสูง

โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ความเสี่ยงและรั้ว

!

สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน

!

ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม

!

ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น

แผนงานการดำเนินงาน

1

กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด

ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

2

ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง

ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

3

เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง

ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

4

ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล

ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

สำรวจต่อไป

คอมพิวเตอร์วิทัศน์

ทำความเข้าใจระบบพื้นฐานที่ขับเคลื่อน Visual AI

อ่านคู่มือ

การสร้างภาพ AI

สำรวจเวิร์กโฟลว์การสร้างและการแลกเปลี่ยนแบบจำลอง

อ่านคู่มือ

Check your understanding

Test yourself: take the SDXL and Cascaded Diffusion quiz

Start quiz →

Related guides